Séance de cours

Optimisation du design et orthogonalité : régression multilinéaire

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.

Dans cours

ENG-606: EU EIT Urban Mobility 3-day seminar

The 3-Day Seminar provides an insight into Urban mobility aspects including fuels (electricity, batteries, fuel cells, hydrogen, biomethane), charging infrastructure, country overviews (CH, FIN, ISR, IT, N, UK), market-active companies, and notions of ente ...

Description

Cette séance de cours couvre les principes de la régression multilinéaire dans le contexte de l'optimisation de la conception et de l'orthogonalité. Les sujets abordés comprennent le travail d'équipe dans la soumission de projets, les exigences abstraites, les modèles linéaires, les effets quadratiques, les méthodes ANOVA, les structures alias et l'ajustement du modèle.

Enseignant·e

Jan Van Herle

Né à Anvers, Belgique, 1966. En Suisse depuis 1983. Naturalisé Suisse en 2004 par persuasion de la culture suisse démocratique et participative 'bottom-up'. Pas de double nationalité. Conseiller communal durant 2 mandats de 5 ans de 2006 à 2016. 1987 : Chimiste de l'Université de Bâle (CH). 1988 : Post-grade informatique de l'Ecole d'Ingénieurs de Bâle. 1989 : Stage industriel chez ABB à Baden (CH). 1990-1993 : Thesè EPFL 1994-1995 : Postdoc au Japon (Tokyo). 1996-2000 : Chercheur à l'EPFL, Dpt. Chimie, responsable de groupe. 1998-2000 : Master en Energy Technology, EPFL. 2000 : Cofondateur de HTceramix SA (EPFL spin-off), à Yverdon (actuellement 12 employés). La maison mère SOLIDpower en Italie, qui a acheté notre technologie en 2007, emploie 250 personnes et a levé 70 MCHF. 2000-2012 : 1er Assistant et chargé de cours en STI-IGM. Promu à MER en 2008. 2013-présent: MER responsable d'unité. Output : 135 publications, 120 papiers de conférence, 15 théses de doctorat, 4 thèses en cours, 37 thèses de master. Facteur h-42, >5000 citations. Fonds levés jusqu'à présent >19 MCHF. 5 langues couramment (néerlandais, français, allemand (y.c. suisse-allemand), anglais, espagnol).

Source officielle

Concepts associés (32)

Modèle linéaire

vignette|Données aléatoires sous forme de points, et leur régression linéaire. Un modèle linéaire multivarié est un modèle statistique dans lequel on cherche à exprimer une variable aléatoire à expliquer en fonction de variables explicatives X sous forme d'un opérateur linéaire. Le modèle linéaire est donné selon la formule : où Y est une matrice d'observations multivariées, X est une matrice de variables explicatives, B est une matrice de paramètres inconnus à estimer et U est une matrice contenant des erreurs ou du bruit.

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.

Régression linéaire

En statistiques, en économétrie et en apprentissage automatique, un modèle de régression linéaire est un modèle de régression qui cherche à établir une relation linéaire entre une variable, dite expliquée, et une ou plusieurs variables, dites explicatives. On parle aussi de modèle linéaire ou de modèle de régression linéaire. Parmi les modèles de régression linéaire, le plus simple est l'ajustement affine. Celui-ci consiste à rechercher la droite permettant d'expliquer le comportement d'une variable statistique y comme étant une fonction affine d'une autre variable statistique x.

Generalized linear mixed model

In statistics, a generalized linear mixed model (GLMM) is an extension to the generalized linear model (GLM) in which the linear predictor contains random effects in addition to the usual fixed effects. They also inherit from GLMs the idea of extending linear mixed models to non-normal data. GLMMs provide a broad range of models for the analysis of grouped data, since the differences between groups can be modelled as a random effect. These models are useful in the analysis of many kinds of data, including longitudinal data.

Linear probability model

In statistics, a linear probability model (LPM) is a special case of a binary regression model. Here the dependent variable for each observation takes values which are either 0 or 1. The probability of observing a 0 or 1 in any one case is treated as depending on one or more explanatory variables. For the "linear probability model", this relationship is a particularly simple one, and allows the model to be fitted by linear regression.

Afficher plus

Séances de cours associées (64)

Modèles linéaires et suréquipement

Explore les modèles linéaires, les surajustements et l'importance de l'expansion des fonctionnalités et ajoute plus de données pour réduire les surajustements.

Régression des crêtes : les moindres carrés pénalisés

Explore Ridge Regression pour la gestion de la multicolinéarité et la méthode LASSO pour la sélection des modèles.

Fondements de l'apprentissage automatique : régularisation et validation croisée

Explore le surajustement, la régularisation et la validation croisée dans l'apprentissage automatique, soulignant l'importance de l'expansion des fonctionnalités et des méthodes du noyau.

Introduction à l'apprentissage automatique : apprentissage supervisé

Introduit l'apprentissage supervisé, couvrant la classification, la régression, l'optimisation des modèles, le surajustement, et les méthodes du noyau.

Régularisation de l'apprentissage automatique

Explore Ridge et Lasso Regression pour la régularisation dans les modèles d'apprentissage automatique, en mettant l'accent sur le réglage hyperparamétrique et la visualisation des coefficients des paramètres.

Afficher plus

Concepts associés (32)

Modèle linéaire

Modèle linéaire généralisé

Régression linéaire

Generalized linear mixed model

Linear probability model

Afficher plus