Séance de cours
Régression II
Description
Cette séance de cours aborde des sujets avancés dans l'analyse de régression, en mettant l'accent sur les vérifications de la distribution, les moindres carrés pondérés et les tests d'hypothèse dans la configuration des moindres carrés. Il traite de l'importance des hypothèses générales dans le modèle de régression linéaire gaussienne, de la détection et de la manipulation des valeurs aberrantes et des outils de diagnostic pour l'évaluation des modèles.
Enseignants (2)
et incididunt
Dolor laborum fugiat ea pariatur ullamco nostrud incididunt ex occaecat nostrud proident. Dolore incididunt exercitation ipsum incididunt ex in magna. Ullamco reprehenderit ut veniam aute ea amet magna pariatur nisi nulla. Minim exercitation magna veniam veniam amet ipsum ullamco exercitation officia. Aliqua sit cillum quis velit laborum ex.
eu do
Deserunt tempor reprehenderit sit ut esse sint. Ea duis adipisicing esse sit id aliqua non nostrud non minim non consequat sint. Exercitation ullamco cillum pariatur deserunt pariatur esse.
Source officielle
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.
Proximité ontologique
Séances de cours associées (95)
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.
Régression: Linéaire simple et multiple
Couvre la régression linéaire simple et multiple, y compris l'estimation des moindres carrés et le diagnostic du modèle.
Régression : Modèles linéaires
Explore la régression linéaire, les moindres carrés, les résidus et les intervalles de confiance dans les modèles de régression.
Estimation des moindres carrés pondérés : Algorithme IRLS
Explore l'algorithme IRLS pour l'estimation pondérée des moindres carrés dans GLM.