Explore les modèles linéaires, les surajustements et l'importance de l'expansion des fonctionnalités et ajoute plus de données pour réduire les surajustements.
S'insère dans les méthodologies complémentaires de choix discret et d'apprentissage automatique, couvrant les notations, les variables, les modèles, les processus de données, l'extrapolation, l'analyse de ce qu'il faut faire, et plus encore.
Explore la vérification du modèle et les résidus dans lanalyse de régression, en soulignant limportance des diagnostics pour assurer la validité du modèle.
Explore les observations aberrantes, les effets de levier et les influences dans les modèles statistiques, y compris les méthodes de détection et d'évaluation.
Couvre l'essentiel de la régression linéaire, en se concentrant sur l'utilisation de multiples variables explicatives quantitatives pour prédire un résultat quantitatif.
