Calibration automatique d'estimateurs linéaires à l'aide de pénalités minimales

Cet exposé aborde le problème de choisir parmi une famille d'estimateurs linéraires en 
régression non-paramétrique. Ceci comprend par exemple la sélection de modèles en régression 
linéaire, ainsi que le choix d'un paramètre de régularisation et/ou d'un noyau en régression 
ridge à noyau. Nous proposons un algorithme qui estime d'abord de manière consistante le niveau 
de bruit, en utilisant le concept de pénalité minimale. Ensuite, en utilisant la pénalisation 
CL de Mallows, nous obtenons une procédure qui satisfait une inégalité oracle. Des simulations 
illustrent que les performances de cette procédure se comparent favorablement à celles de la 
validation croisée généralisée et de la validation croisée '10-fold'.