Suite à une lésion cérébrale, l'enfant récupère-t-il les fonctions intellectuelles de la même façon que l'adulte ? Depuis les travaux de Kennard (1936-1942), la communauté scientifique tend à croire à un principe général de meilleure récupération fonctionnelle chez les enfants. Pourtant, la littérature existante sur l’effet de l’âge à la lésion est inconstante et la réponse à la question posée est compliquée par la qualité des études (grandeur d’échantillon, devis utilisé) ainsi que par les facteurs modérateurs pris en considération (étiologie de la lésion, volume de la lésion, etc.). La présente étude vise à remédier à ces difficultés par l’investigation d'une importante cohorte de plus de 700 cas, autant pédiatriques qu'adultes, présentant une lésion corticale unilatérale, dont l'étiologie neurologique, les complications, la localisation de la lésion (lobaire et latéralité), l'âge à la lésion, l’âge au test et le genre sont connus. Les données recueillies permettent d’étudier la relation entre l'âge et la récupération post-lésionnelle à l’aide des données longitudinales dans un contexte multidimentionnel, mais aussi de comparer les résultats obtenus avec les données longitudinales et transversales. Les résultats confirment que les enfants récupèrent moins bien que les adultes sur les mesures d’intelligence de Wechsler, même lorsque l’on prend en considération les différents facteurs modérateurs. De plus, l’évolution de l’intelligence post-lésionnelle en fonction de l’âge diffère selon le type de QI (QIV versus QIP). Ces résultats ont été obtenus avec les deux méthodologies à l’étude. Ainsi, le pronostic à long terme des enfants ayant subi une lésion cérébrale ne peut être basé sur un principe général voulant qu’ils récupèreront mieux que les adultes. Descripteurs : principe de Kennard, lésion cérébrale, âge, intelligence, Wechsler, longitudinal, transversal, récupération

Suite à une lésion cérébrale, l'enfant récupère-t-il les fonctions intellectuelles de la même façon que l'adulte ? Depuis les travaux de Kennard (1936-1942), la communauté scientifique tend à croire à un principe général de meilleure récupération fonctionnelle chez les enfants. Pourtant, la littérature existante sur l’effet de l’âge à la lésion est inconstante et la réponse à la question posée est compliquée par la qualité des études (grandeur d’échantillon, devis utilisé) ainsi que par les facteurs modérateurs pris en considération (étiologie de la lésion, volume de la lésion, etc.). La présente étude vise à remédier à ces difficultés par l’investigation d'une importante cohorte de plus de 700 cas, autant pédiatriques qu'adultes, présentant une lésion corticale unilatérale, dont l'étiologie neurologique, les complications, la localisation de la lésion (lobaire et latéralité), l'âge à la lésion, l’âge au test et le genre sont connus. Les données recueillies permettent d’étudier la relation entre l'âge et la récupération post-lésionnelle à l’aide des données longitudinales dans un contexte multidimentionnel, mais aussi de comparer les résultats obtenus avec les données longitudinales et transversales. Les résultats confirment que les enfants récupèrent moins bien que les adultes sur les mesures d’intelligence de Wechsler, même lorsque l’on prend en considération les différents facteurs modérateurs. De plus, l’évolution de l’intelligence post-lésionnelle en fonction de l’âge diffère selon le type de QI (QIV versus QIP). Ces résultats ont été obtenus avec les deux méthodologies à l’étude. Ainsi, le pronostic à long terme des enfants ayant subi une lésion cérébrale ne peut être basé sur un principe général voulant qu’ils récupèreront mieux que les adultes. Descripteurs : principe de Kennard, lésion cérébrale, âge, intelligence, Wechsler, longitudinal, transversal, récupération

多重線性迴歸模式ｙ＝ｘβ＋ε中，通常使用最小平方估計量β估計迴歸係數β。即 β＝（Ｘ′Ｘ）□□Ｘ′Ｙ。但當Ｘ資料很壞時，β將產生不實際的估計量。為消除 此現象，新估計量的提出及ｋ值決定的方法，各研究者都不同，所得之值亦不同，又 難以確定那個方法比較適當，因此以下是我們研究重點： １Hoerl 和Kennard 所提脊迴歸法，與Marguardt 所提結合主要成分法的脊估計量的 比較。 ２ｋ值選取方法的比較，及 ヾNordberg與Hoerl 和Kennard 求ｋ值的比較。 ゝ修改謝氏法則的結果與謝氏的比較。 本文壹冊，共五章，前四章，各有兩節，最末章不分節。

Data splitting is commonly used in machine learning to split data into a train, test, or validation set. This approach allows us to find the model hyper-parameter and also estimate the generalization performance. In this research, we conducted a comparative analysis of different data partitioning algorithms on both real and simulated data. Our main objective was to address the question of how the choice of data splitting algorithm can improve the estimation of the generalization performance. Data splitting algorithms used in this study were variants of k-fold, Kennard-Stone, SPXY ( sample set partitioning based on joint x-y distance), and random sampling algorithm. Each algorithm divided the data into two subset, training/validation. The training set was used to fit the model and validation for the evaluation. We then analyzed the different data splitting algorithms based on the generalization performances estimated from the validation and the external test set. From the result, we noted that the important determinant for a good generalization is the size of the dataset. For all the data sample methods applied on small data set, the gap between the performance estimated on the validation and test set was significant. However, we noted that the gap reduced when there was more data in training or validation. Too many or few data in the training set can also lead to bad model performance. So it is importance to have a reasonable balance between the training/validation set sizes. In our study, KS and SPXY was the splitting algorithm with poor model performance estimation. Indeed these methods select the most representative samples to train the model, and poor representative samples are left for model performance estimation. / Datapartitionering används vanligtvis i maskininlärning för att dela data i en tränings, test eller valideringsuppsättning. Detta tillvägagångssätt gör det möjligt för oss att hitta hyperparametrar för modellen och även uppskatta generaliseringsprestanda. I denna forskning genomförde vi en jämförande analys av olika datapartitionsalgoritmer på både verkliga och simulerade data. Vårt huvudmål var att undersöka frågan om hur valet avdatapartitioneringsalgoritm kan förbättra uppskattningen av generaliseringsprestanda. Datapartitioneringsalgoritmer som användes i denna studie var varianter av k-faldig korsvalidering, Kennard-Stone (KS), SPXY (partitionering baserat på gemensamt x-y-avstånd) och bootstrap-algoritm. Varje algoritm användes för att dela upp data i två olika datamängder: tränings- och valideringsdata. Vi analyserade sedan de olika datapartitioneringsalgoritmerna baserat på generaliseringsprestanda uppskattade från valideringen och den externa testuppsättningen. Från resultatet noterade vi att det avgörande för en bra generalisering är storleken på data. För alla datapartitioneringsalgoritmer som använts på små datamängder var klyftan mellan prestanda uppskattad på valideringen och testuppsättningen betydande. Vi noterade emellertid att gapet minskade när det fanns mer data för träning eller validering. För mycket eller för litet data i träningsuppsättningen kan också leda till dålig prestanda. Detta belyser vikten av att ha en korrekt balans mellan storlekarna på tränings- och valideringsmängderna. I vår studie var KS och SPXY de algoritmer med sämst prestanda. Dessa metoder väljer de mest representativa instanserna för att träna modellen, och icke-representativa instanser lämnas för uppskattning av modellprestanda.