Mediaspace scheduled maintenance: Aug 25, 2026 07:00 - 12:00 AM. During this time, videos will be temporarily unavailable. Check status updates.

Séance de cours

Régression multilinéaire: ajustement le moins carré

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 le concept de régression multilinéaire en utilisant la méthode de lajustement le moins carré, en se concentrant sur les modèles empiriques et mécanistes, les matrices de modèles, et le calcul des effets. Il traite également de l'importance de normaliser les variables afin d'obtenir des solutions génériques.

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

Proximité ontologique

Statistique

Analyse des données: Régression (statistiques)

Concepts associés (18)

Méthode des moindres carrés

La méthode des moindres carrés, indépendamment élaborée par Legendre et Gauss au début du , permet de comparer des données expérimentales, généralement entachées d’erreurs de mesure, à un modèle mathématique censé décrire ces données. Ce modèle peut prendre diverses formes. Il peut s’agir de lois de conservation que les quantités mesurées doivent respecter. La méthode des moindres carrés permet alors de minimiser l’impact des erreurs expérimentales en « ajoutant de l’information » dans le processus de mesure.

Linear least squares

Linear least squares (LLS) is the least squares approximation of linear functions to data. It is a set of formulations for solving statistical problems involved in linear regression, including variants for ordinary (unweighted), weighted, and generalized (correlated) residuals. Numerical methods for linear least squares include inverting the matrix of the normal equations and orthogonal decomposition methods. The three main linear least squares formulations are: Ordinary least squares (OLS) is the most common estimator.

Moindres carrés non linéaires

Les moindres carrés non linéaires est une forme des moindres carrés adaptée pour l'estimation d'un modèle non linéaire en n paramètres à partir de m observations (m > n). Une façon d'estimer ce genre de problème est de considérer des itérations successives se basant sur une version linéarisée du modèle initial. Méthode des moindres carrés Considérons un jeu de m couples d'observations, (x, y), (x, y),...,(x, y), et une fonction de régression du type y = f (x, β).

Méthode des moindres carrés ordinaire

vignette|Graphique d'une régression linéaire La méthode des moindres carrés ordinaire (MCO) est le nom technique de la régression mathématique en statistiques, et plus particulièrement de la régression linéaire. Il s'agit d'un modèle couramment utilisé en économétrie. Il s'agit d'ajuster un nuage de points selon une relation linéaire, prenant la forme de la relation matricielle , où est un terme d'erreur.

Total least squares

In applied statistics, total least squares is a type of errors-in-variables regression, a least squares data modeling technique in which observational errors on both dependent and independent variables are taken into account. It is a generalization of Deming regression and also of orthogonal regression, and can be applied to both linear and non-linear models. The total least squares approximation of the data is generically equivalent to the best, in the Frobenius norm, low-rank approximation of the data matrix.

Afficher plus

Séances de cours associées (29)

Régression linéaire : estimation et test

Explore l'estimation de régression linéaire, les tests d'hypothèses et les applications pratiques en statistique.

Régression multilinéaire : variables et effets normalisés

Explore la normalisation des variables et des effets dans l'analyse de régression multilinéaire.

Essai de régression linéaire

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

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.

Estimation des moindres carrés pondérés : Algorithme IRLS

Explore l'algorithme IRLS pour l'estimation pondérée des moindres carrés dans GLM.

Afficher plus

Concepts associés (18)

Méthode des moindres carrés

Linear least squares

Moindres carrés non linéaires

Méthode des moindres carrés ordinaire

Total least squares

Afficher plus