Séance de cours

Régression logistique: Modélisation des variables de réponse binaire

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

MATH-236: Probability and statistics II

Linear statistical methods, analysis of experiments, logistic regression. ...

Description

Cette séance de cours couvre la régression logistique, un modèle statistique utilisé pour analyser les variables de réponse binaire. Parmi les sujets abordés, mentionnons la famille exponentielle, les modèles linéaires généralisés, la régression logistique des données sur le crabe des fers à cheval, l'interprétation du rapport de cotes, l'inférence du modèle et l'estimation des paramètres. La séance de cours traite également de la transformation logit, des fonctions de liaison, de l'ajustement du modèle, de l'estimation de la probabilité maximale, des intervalles de confiance et de la relation entre la régression logistique et la distribution binomiale.

Enseignant·e

Darlene Goldstein

Source officielle

Proximité ontologique

Statistique

Inférence statistique: Statistique mathématique

Analyse des données: Régression (statistiques)

Concepts associés (32)

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 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.

Maximum de vraisemblance

En statistique, l'estimateur du maximum de vraisemblance est un estimateur statistique utilisé pour inférer les paramètres de la loi de probabilité d'un échantillon donné en recherchant les valeurs des paramètres maximisant la fonction de vraisemblance. Cette méthode a été développée par le statisticien Ronald Aylmer Fisher en 1922. Soient neuf tirages aléatoires x1, ..., x9 suivant une même loi ; les valeurs tirées sont représentées sur les diagrammes ci-dessous par des traits verticaux pointillés.

Théorie de l'estimation

En statistique, la théorie de l'estimation s'intéresse à l'estimation de paramètres à partir de données empiriques mesurées ayant une composante aléatoire. Les paramètres décrivent un phénomène physique sous-jacent tel que sa valeur affecte la distribution des données mesurées. Un estimateur essaie d'approcher les paramètres inconnus à partir des mesures.

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.

Afficher plus

Séances de cours associées (64)

Régression logistique : Inférence statistique et apprentissage automatique

Couvre la régression logistique, la fonction de vraisemblance, la méthode de Newton et l'estimation des erreurs de classification.

Horseshoe Crabs: Analyse de régression logistique

Explore l'analyse de régression logistique des données sur le crabe en fer à cheval, en se concentrant sur l'interprétation du rapport de cotes et l'ajustement du modèle.

Modèles linéaires généralisés : régression avec réponses familiales exponentielles

Couvre la régression avec des réponses familiales exponentielles à l'aide de modèles linéaires généralisés.

Analyse des données des chimpanzés

Couvre l'analyse des données des chimpanzés sur les temps d'apprentissage et explore les modèles linéaires généralisés et la régression logistique.

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.

Afficher plus

Concepts associés (32)

Modèle linéaire généralisé

Régression logistique

Maximum de vraisemblance

Théorie de l'estimation

Logit

Afficher plus