Mélange de régressions pénalisées pour données fonctionnelles. Application à la prédiction d'une maladie du foie

Dans ce travail, nous proposons un modèle de régression fonctionnel pénalisé en présence de classes latentes et adapté à la prédiction d'une variable réponse binaire. Ce travail est essentiellement motivé par une application à des données réelles : le diagnostic d'une maladie chronique du foie à l'aide de spectres issus de la spectrométrie dans le moyen infrarouge.
La loi jointe des prédicteurs et de la variable à prédire est modélisée par un mélange permettant d'obtenir une règle de prédiction naturelle lors de l'obtention d'un nouveau spectre et une interprétabilité biologique des paramètres du modèle.
En présence de données spectrales de grande dimension, une approche fonctionnelle est adoptée et une sélection de variables est effectuée à l'aide de techniques de vraisemblances pénalisées.
Les performances de notre modèle sont évaluées sur données simulées et les résultats sur nos données de maladie chronique du foie seront discutés.