Séance de cours

Modèles de mélange : résumé

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Description

Cette séance de cours fournit un résumé des mélanges de modèles logit, expliquant le concept dutiliser des blocs de construction comme les modèles logit et les combinaisons convexes pour créer des modèles plus sophistiqués. Il couvre le mixage continu et discret, l'intégration Monte-Carlo, les hypothèses i.i.d. relaxantes, l'hétérogénéité du goût et les modèles de classe latents. L'instructeur souligne l'importance d'une modélisation minutieuse et de la partie systématique de la fonction utilitaire.

Dans MOOC

Sujets choisis sur le choix discret

Le modèle logit est le cheval de bataille des modélisateurs de choix. Mais il présente certaines limites. En particulier, certaines hypothèses utilisées pour le dériver peuvent ne pas correspondre à la réalité comportementale. Il peut conduire à des prévisions erronées. Nous avons illustré notre propos à l'aide du paradoxe dit "du bourgeon rouge et du bus bleu", et nous avons présenté des modèles de valeur extrême multivariée qui répondent à certains de ces problèmes. La procédure d'échantillonnage utilisé

Source officielle

Concepts associés (26)

Logit

La fonction logit est une fonction mathématique utilisée principalement en statistiques et pour la régression logistique, en intelligence artificielle (réseaux neuronaux), en inférence bayésienne pour transformer les probabilités sur [0,1] en évidence sur R afin d'une part d'éviter des renormalisations permanentes, et d'autre part de rendre additive la formule de Bayes pour faciliter les calculs. Son expression est où p est défini sur ]0, 1[ La base du logarithme utilisé est sans importance, tant que celle-ci est supérieure à 1.

Régression logistique

En statistiques, la régression logistique ou modèle logit est un modèle de régression binomiale. Comme pour tous les modèles de régression binomiale, il s'agit d'expliquer au mieux une variable binaire (la présence ou l'absence d'une caractéristique donnée) par des observations réelles nombreuses, grâce à un modèle mathématique. En d'autres termes d'associer une variable aléatoire de Bernoulli (génériquement notée ) à un vecteur de variables aléatoires . La régression logistique constitue un cas particulier de modèle linéaire généralisé.

Discrete choice

In economics, discrete choice models, or qualitative choice models, describe, explain, and predict choices between two or more discrete alternatives, such as entering or not entering the labor market, or choosing between modes of transport. Such choices contrast with standard consumption models in which the quantity of each good consumed is assumed to be a continuous variable. In the continuous case, calculus methods (e.g. first-order conditions) can be used to determine the optimum amount chosen, and demand can be modeled empirically using regression analysis.

Ordered logit

In statistics, the ordered logit model (also ordered logistic regression or proportional odds model) is an ordinal regression model—that is, a regression model for ordinal dependent variables—first considered by Peter McCullagh. For example, if one question on a survey is to be answered by a choice among "poor", "fair", "good", "very good" and "excellent", and the purpose of the analysis is to see how well that response can be predicted by the responses to other questions, some of which may be quantitative, then ordered logistic regression may be used.

Modèle linéaire généralisé

En statistiques, le modèle linéaire généralisé (MLG) souvent connu sous les initiales anglaises GLM est une généralisation souple de la régression linéaire. Le GLM généralise la régression linéaire en permettant au modèle linéaire d'être relié à la variable réponse via une fonction lien et en autorisant l'amplitude de la variance de chaque mesure d'être une fonction de sa valeur prévue, en fonction de la loi choisie.

Afficher plus

Séances de cours associées (64)

Modèles de mélange : Estimation basée sur la simulation

Explore les modèles de mélange, y compris les mélanges discrets et continus, et leur application dans la capture de l'hétérogénéité du goût dans les populations.

Mélanges: introduction MOOC: Sujets choisis sur le choix discret

Introduit des mélanges, couvre des mélanges discrets et continus, explore des exemples, et discute combinant des modèles probit et logit.

Optimisation convexe : Exemples de fonctions convexes

Explore l'optimisation convexe, les fonctions convexes et leurs propriétés, y compris la convexité stricte et la convexité forte, ainsi que différents types de fonctions convexes comme les fonctions et les normes affines linéaires.

Paradoxe bus rouge/bus bleu

Explore le paradoxe du bus rouge/bus bleu, les modèles de logit imbriqués et les modèles multivariés d'extrême valeur dans le transport.

Modèles de mélange: variance spécifique alternative MOOC: Sujets choisis sur le choix discret

Explore d'autres variances spécifiques dans les modèles de mélange et discute des questions d'identification et des comparaisons de modèles à l'aide de 500 dessins.

Afficher plus

Concepts associés (26)

Logit

Régression logistique

Discrete choice

Ordered logit

Modèle linéaire généralisé

Afficher plus