Régression moderne: choix de lissage et de modélisation

À propos
Confidentialité
Mentions légales

Graph Chatbot

Dans cours

DEMO: aute nisi id qui

Mollit sint ullamco dolor dolor labore officia eiusmod consequat pariatur. Dolor commodo dolor laboris deserunt. Ut duis cupidatat aute ex sint ad.

Description

Cette séance de cours couvre la pénalité de rugosité et les formulations équivalentes en régression, en discutant des matrices de bandes, des modèles d'effets mixtes et de l'inférence bayésienne. Il explore également le choix des matrices de poids, des fonctions de base et des matrices de pénalité pour le lissage de régression.

Enseignant

qui minim veniam nostrud

Cillum sunt anim duis deserunt nulla. Ipsum irure nostrud sit aliquip enim ex id irure exercitation nulla ullamco reprehenderit velit officia. Id ea fugiat eiusmod pariatur ipsum amet laboris occaecat commodo ut minim.

Source officielle

Séances de cours associées (32)

https://mediaspace.epfl.ch/media/0_khzospk7

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: aute nisi id qui

Mollit sint ullamco dolor dolor labore officia eiusmod consequat pariatur. Dolor commodo dolor laboris deserunt. Ut duis cupidatat aute ex sint ad.

Enseignant

qui minim veniam nostrud

Séances de cours associées (32)

Afficher plus

Régression : Modèles linéaires

Introduit une régression linéaire, des modèles linéaires généralisés et des modèles à effet mixte pour l'analyse de régression.

Méthodes de régression : Modèle de construction et d'inférence

Couvre l'inférence, la construction de modèles, la sélection de variables, la robustesse, la régression régularisée, les modèles mixtes et les méthodes de régression.

Modèles multiniveaux: Partie 2

Explore les techniques avancées de modélisation à plusieurs niveaux, y compris l'adaptation de modèles distincts, l'estimation des coefficients et la vérification des résidus pour l'évaluation des modèles.

Régression moderne: effets aléatoires et vérification de modèle

Explore les effets aléatoires, la vérification du modèle et les effets imbriqués par rapport aux effets croisés dans la modélisation de régression moderne.

Régression moderne: données d'orge de printemps

Couvre les moindres carrés pondérés itératifs, la régression de Poisson et l'analyse bayésienne des données sur l'orge de printemps à l'aide de modèles mixtes.