Séances de cours associées à Régression Diagnostics

Régression linéaire gaussienne : hypothèses et résidus

Explore les hypothèses et les méthodes de vérification des modèles de régression linéaire gaussienne à l'aide de traces résiduelles et de graphiques.

Modèles linéaires: Introduction

Introduit les modèles linéaires, la régression, la distribution gaussienne, la linéarité et la généralisation du modèle.

Modèles linéaires : Les moindres carrés

Explore les modèles linéaires, les moindres carrés, les vecteurs gaussiens et les méthodes de sélection des modèles.

Multicolinéarité: Dangers et remèdes

Explore les dangers de la multicolinéarité dans les modèles linéaires et discute des méthodes de diagnostic et des remèdes.

Régression : Modèles linéaires

Introduit une régression linéaire, des modèles linéaires généralisés et des modèles à effet mixte pour l'analyse de régression.

Estimation de vraisemblance et moindres carrés

Introduit une régression linéaire normale simple et multiple et une estimation du maximum de vraisemblance avec des exemples pratiques.

ANOVA et expériences factorielles

Explore l'ANOVA, les expériences factorielles et les techniques d'évaluation des modèles.

Essai de régression linéaire

Explorer les moindres carrés dans la régression linéaire, les essais d'hypothèses, les aberrations et les hypothèses du modèle.

Géométrie et moindres carrés

Discute de la géométrie des moindres carrés, en explorant les perspectives des lignes et des colonnes, les hyperplans, les projections, les résidus et les vecteurs uniques.

Modèles linéaires: Ridge, OLS et LASSO

Couvre des modèles linéaires comme Ridge, OLS et LASSO, expliquant les valeurs singulières et l'analyse de régression.

Régression linéaire : Approche de vraisemblance maximale

Couvre les sujets de régression linéaire, y compris les intervalles de confiance, la variance et l'approche de la probabilité maximale.

Sélection du modèle imbriqué

Explore la sélection de modèles imbriqués dans des modèles linéaires, en comparant les modèles à travers des sommes de carrés et ANOVA, avec des exemples pratiques.

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.

Régression logistique : prédiction de la végétation

Explore la régression logistique pour prédire les proportions de la végétation dans la région amazonienne grâce à l'analyse des données de télédétection.

Diagnostics du modèle : Observations aberrantes, de levier et d'influence

Explore les observations aberrantes, les effets de levier et les influences dans les modèles statistiques, y compris les méthodes de détection et d'évaluation.

Évaluer l’importance et l’adéquation

Couvre les intervalles de confiance, R2, et des exemples sur l'évolution de la chaleur du ciment et les relations puissance-MPG de la voiture.

Régression et classification

Explore la régression, la classification, les modèles linéaires, les arbres décisionnels et les forêts aléatoires dans l'analyse des données.

Vérification du modèle et des résidus Connectez-vous à Mediaspace pour regarder cette vidéo

Explore la vérification du modèle et les résidus dans lanalyse de régression, en soulignant limportance des diagnostics pour assurer la validité du modèle.

Inférence statistique: Modèles linéaires Connectez-vous à Mediaspace pour regarder cette vidéo

Explore l'inférence statistique pour les modèles linéaires, couvrant l'ajustement du modèle, l'estimation des paramètres et la décomposition de la variance.

Régression des prix des maisons: Exploration des hypothèses OLS Connectez-vous à Mediaspace pour regarder cette vidéo

Explore les régressions OLS pour les prix des maisons, couvrant les valeurs aberrantes, les observations influentes, les spécifications du modèle et les stratégies de sélection.