Modèles de prédiction d’événements rares en suivi longitudinal. Application au risque de blessure chez les sportifs professionnels - Laboratoire de Mathematiques Accéder directement au contenu
Thèse Année : 2021

Models for predicting rare events in longitudinal follow-up. Application to injury risk in professional athletes

Modèles de prédiction d’événements rares en suivi longitudinal. Application au risque de blessure chez les sportifs professionnels

Résumé

In this thesis we address the problem of rare event prediction applied to injuries in professional soccer players. Rare events occur when the occurrence of an event is less than 5% (p<0.05). Unbalanced data induce an estimation bias and poor prediction results. Several solutions exist to overcome these problems. First, it is possible to rebalance the data to give more importance to the minority class. A first way to do this is to duplicate observations of the minority class, which is called oversampling. A second way/option is to delete observations from the majority class, this is undersampling. There are many over/undersampling methods, for example SMOTE or random over/under sampling. Another solution to the problem of unbalanced data is to modify existing prediction methods. As with logistic regression and SVM, constants are corrected to remove the bias induced by unbalanced data. Finally, a last solution is to group several models together to obtain a more efficient one; as for example in the bagging or boosting method. All of the proposed solutions and their combinations are presented and tested, allowing the best results to be presented/stated on the professional sports data set. Finally, Sobol's sensitivity analysis is presented and used to highlight the factors involved in the risk of injury and thus improve the understanding of the injury mechanism.
, g, , Dans cette thèse nous abordons la problématique de la prédiction d’évènements rares, appliquée aux blessures chez les joueurs de football professionnels . On parle d’évènements rares lorsque l’appartition d’un évènement est inférieure à 5% (p<0.05). Les données déséquilibrées induisent un biais d’estismation et de mauvais résultats de prédiction. Plusieurs solutions existent pour palier ces problèmes. Pour commencer, il est possible de rééquiliber les données pour donner plus d’importance à la classe minoritaire. Une première manière de faire/méthode est de dupliquer des observations de la classe minoritaire, c’est l’oversampling. Une seconde manière/option est de supprimer des observations de la classe majoritaire, c’est l’undersampling. Il existe de nombreuses méthodes d’over/undersampling, par exemple SMOTE ou random Over/under sampling. Une autre solution au problème des/aux données déséquilibrées est de modifier les méthodes de prédiction existantes. Comme pour la regression logistique et les SVM, les constantes sont corrigées pour supprimer le biais induit par les données déséquilibrées. Enfin une dernière solution est de regrouper plusieurs modèles pour en obtenir un plus performant ; comme par exemple dans la méthode du bagging ou du boosting. L’ensemble des solutions proposées et leurs combinaisons sont présentées et testées, permettant de présenter/d’énoncer les meilleurs résultats sur le jeu de données de sportif professionnels. Enfin, l’analyse de la sensibilité de Sobol est présentée et utilisée pour mettre en évidence les facteurs intervenant sur le risque de blessure et ainsi améliorer la compréhension du mécanisme de la blessure.
Fichier principal
Vignette du fichier
2021UCFAC003_BERTHE.pdf (3.04 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-03545251 , version 1 (27-01-2022)

Identifiants

  • HAL Id : tel-03545251 , version 1

Citer

Mathieu Berthe. Modèles de prédiction d’événements rares en suivi longitudinal. Application au risque de blessure chez les sportifs professionnels. Modélisation et simulation. Université Clermont Auvergne, 2021. Français. ⟨NNT : 2021UCFAC003⟩. ⟨tel-03545251⟩
429 Consultations
457 Téléchargements

Partager

Gmail Facebook X LinkedIn More