Andere Kunden interessierten sich auch für
![Prédiction de l''interaction entre génotype et environnement au Sahel]( "Prédiction de l''interaction entre génotype et environnement au Sahel")
Prédiction de l''interaction entre génotype et environnement au Sahel32,99 €![Intelligences artificielles pour modéliser les données météorologiques]( "Intelligences artificielles pour modéliser les données météorologiques")
Intelligences artificielles pour modéliser les données météorologiques45,99 €![Technique de bootstrap dans l¿estimation non paramétrique]( "Technique de bootstrap dans l¿estimation non paramétrique")
Technique de bootstrap dans l¿estimation non paramétrique43,99 €![Risque d'émergence d'une pathologie dans une population]( "Risque d'émergence d'une pathologie dans une population")
Risque d'émergence d'une pathologie dans une population40,99 €![Modèles Non-Linéaires en Prédiction de Séries Temporelles]( "Modèles Non-Linéaires en Prédiction de Séries Temporelles")
Modèles Non-Linéaires en Prédiction de Séries Temporelles77,99 €![Description et prédiction de données structurées en plusieurs tableaux]( "Description et prédiction de données structurées en plusieurs tableaux")
Description et prédiction de données structurées en plusieurs tableaux38,99 €![Classification et prédiction des titres de transit]( "Classification et prédiction des titres de transit")
Classification et prédiction des titres de transit36,99 €
L'objectif principal de ce travail est la détermination des facteurs environnementaux pouvant expliquer la variabilité de la densité anophélienne et la prédiction du risque d'exposition au vecteur palustre au niveau village et maison de la zone de Tori-Bossito au Bénin. Il revient alors de sélectionner un sous ensemble optimal de variables pertinentes pour la prédiction du risque d'exposition au vecteur palustre dans le milieu d'étude. Dans un premier temps, il été développé une méthode basée sur un algorithme de type GLMM combiné avec une sélection de variables de type backward. Les résultats ont permis de déterminer un sous ensemble optimal pour la prédiction du risque palustre. Dans un deuxième temps, la méthode développée combine le GLM, le Lasso et une validation croisée à deux niveaux. Les résultats obtenus montrent une nette amélioration au niveau de la sélection, de la sparsité du sous ensemble optimal pour la prédiction, la qualité des prédictions et le temps CPU d'exécution des calculs. Finalement, le meilleur sous ensemble de prédiction comporte entre autre Saison, Quantité moyenne de pluie et la Végétation.