Régression multi-linéaire

À propos
Confidentialité
Mentions légales

Graph Chatbot

Dans cours

DEMO: nostrud ea incididunt aliquip

Anim elit cillum in ut. Ad culpa exercitation excepteur excepteur eu enim do dolore excepteur ut voluptate. Id consectetur sit et officia consequat ea anim ullamco culpa consequat consectetur. Nostrud do magna reprehenderit laborum aliqua ad.

Description

Cette séance de cours couvre le concept de régression multi-linéaire, qui consiste à prédire une réponse en utilisant plusieurs variables explicatives. L'instructeur explique le calcul des coefficients et la méthode des moindres carrés pour l'ajustement du modèle.

Source officielle

Proximité ontologique

Statistique

Analyse des données: Régression (statistiques)

Séances de cours associées (31)

https://mediaspace.epfl.ch/media/0_6gzv0his

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Dans cours

DEMO: nostrud ea incididunt aliquip

Proximité ontologique

Statistique

Analyse des données: Régression (statistiques)

Séances de cours associées (31)

Afficher plus

Régression linéaire : Fondements

Couvre les bases de la régression linéaire, y compris l'OLS, l'hétéroskédasticité, l'autocorrélation, les variables instrumentales, l'estimation maximale de la probabilité, l'analyse des séries chronologiques et les conseils pratiques.

Régression linéaire : Fondements

Couvre les bases de la régression linéaire, des variables instrumentales, de l'hétéroscédasticité, de l'autocorrélation et de l'estimation du maximum de vraisemblance.

Régression linéaire et régression logistique

Couvre la régression linéaire et logistique pour les tâches de régression et de classification, en mettant l'accent sur les fonctions de perte et la formation de modèle.

Régression linéaire : bases et estimation

Couvre les bases de la régression linéaire et la façon de résoudre les problèmes d'estimation en utilisant les moindres carrés et la notation matricielle.

Régression linéaire et pondérée : paramètres optimaux et solutions locales

Couvre la régression linéaire et pondérée, les paramètres optimaux, les solutions locales, l'application SVR et la sensibilité des techniques de régression.