Concept
Simple linear regression
Séances de cours associées (200)
Dépendance spatiale : concepts et analyses
Explore la dépendance spatiale, l'autocorrélation spatiale et le biais dans l'analyse statistique en raison des relations spatiales.
Sélection du modèle: Courbes ROC, Évaluation de régression, Conclusion
Explore le seuillage, les courbes ROC, l'évaluation de régression, les méthodes naïves et la sélection de modèles dans l'apprentissage automatique.
Régression linéaire : basiques et descente progressive
Couvre les bases de la régression linéaire, y compris l'ingénierie des caractéristiques, l'apprentissage supervisé ou non supervisé, et minimise la fonction de coût.
Régression linéaire : Fondements
Couvre les bases de la régression linéaire, de la classification binaire et multiclasse, et des mesures d'évaluation.
Régression polynôme et descente progressive
Couvre la régression polynôme, la descente en gradient, le surajustement, le sous-ajustement, la régularisation et la mise à l'échelle des caractéristiques dans les algorithmes d'optimisation.
Régression Quantile : Optimisation Linéaire
Couvre la régression quantile, en se concentrant sur l'optimisation linéaire pour prédire les résultats et discuter de la sensibilité aux valeurs aberrantes, de la formulation des problèmes et de la mise en œuvre pratique.
Modèles de signaux concis et détection compressive
Explore les modèles de signaux concis, la détection compressive, la parcimonie, les normes atomiques et la minimisation non lisse en utilisant la descente de sous-gradient.
Régression paramétrique : Régression linéaire
Explore les régressions paramétriques, en mettant l'accent sur la simplicité et la complexité des compromis de régression linéaire entre les modèles paramétriques et non paramétriques.
Analyse de régression : Désengagement des données
Couvre l'analyse de régression pour les données de désassemblage à l'aide de la modélisation de régression linéaire, des transformations, des interprétations des coefficients et des modèles linéaires généralisés.
Modèle et propriétés sous condition gaussienne
Explore le modèle conditionnel gaussien pour la régression linéaire et les propriétés des données gaussiennes, illustré par l'exemple de comparaison du traitement par pierre rénale.