Séance de cours
Régression linéaire généralisée : classification
Description
Cette séance de cours porte sur la régression linéaire généralisée, la classification linéaire multiple, l'évaluation de la classification binaire et la régression du Poisson. Il explique la maximisation de la probabilité, l'apprentissage supervisé, les matrices de confusion, les courbes ROC, l'ASC et le bruit dans les données. L'instructeur démontre l'application de modèles de régression logistique, de classification et de régression sur divers ensembles de données.
Enseignant
occaecat velit commodo Lorem
Exercitation aliqua ex irure sit esse laborum irure in sunt enim consequat minim dolor. Eiusmod voluptate cupidatat incididunt ut. Ex et voluptate excepteur minim ea cupidatat ad ea velit. Tempor sit minim sint reprehenderit fugiat.
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 (309)
L'essentiel de l'apprentissage supervisé
Introduit les bases de l'apprentissage supervisé, en mettant l'accent sur la régression logistique, la classification linéaire et la maximisation de la probabilité.
Principes fondamentaux de l'apprentissage supervisé
Présente les principes fondamentaux de l'apprentissage supervisé, y compris les fonctions de perte et les distributions de probabilité.
Apprentissage supervisé : Maximisation des probabilités
Couvre l'apprentissage supervisé par la maximisation de la probabilité pour trouver les paramètres optimaux.
Régression logistique : Interprétation probabiliste
Couvre l'interprétation probabiliste de la régression logistique, la régression multinomiale, le KNN, les hyperparamètres et la malédiction de la dimensionnalité.
Régression logistique : Fondements et applications
Explore les fondamentaux de régression logistique, y compris les fonctions de coût, la régularisation et les limites de classification, avec des exemples pratiques utilisant scikit-learn.