Séance de cours

Prédicteurs moyens locaux

Dans cours
DEMO: et duis
Quis deserunt culpa sit consequat tempor nisi et ut minim fugiat adipisicing proident dolore ex. Excepteur enim aliqua do irure. Voluptate deserunt dolor in velit velit.
Connectez-vous pour voir cette section
Description

Cette séance de cours présente les prédicteurs de moyenne locaux, y compris les voisins les plus proches K, les méthodes basées sur l'histogramme et les prédicteurs Nadaraya-Watson. Il couvre les propriétés des prédicteurs de moyenne locaux, le cadre général de la minimisation empirique du risque local et la régression linéaire locale (LOWESS). Les diapositives expliquent le principe des méthodes de moyenne locales, les différents types de méthodes de moyenne locales, les noyaux de convolution et les estimateurs de Nadaraya-Watson. Il discute également de l'estimation de la vitesse des étoiles avec KNN, des commentaires sur les méthodes de moyenne locales, de la minimisation empirique du risque local et de la gestion des risques quadratique locale. La séance de cours se termine par une régression linéaire locale, ses applications et des généralisations à la régression polynomiale et spline locale.

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.
Séances de cours associées (32)
Régression du noyau : Moyenne pondérée et cartes des caractéristiques
Couvre la régression du noyau et les cartes de caractéristiques pour la séparabilité des données.
Régression non paramétrique: Techniques de lissage
Explore les techniques de régression non paramétrique, y compris les splines, le compromis entre les variables de biais, les fonctions orthogonales, les ondulations et les estimateurs de modulation.
Flexibilité des modèles et de l'échange de devises
S'insère dans le compromis entre la flexibilité du modèle et la variation des biais dans la décomposition des erreurs, la régression polynomiale, le KNN, et la malédiction de la dimensionnalité.
Régression non paramétrique : estimation basée sur le noyau
Couvre la régression non paramétrique à l'aide de techniques d'estimation basées sur le noyau pour modéliser des relations complexes entre les variables.
Régression polynomiale : vue d'ensemble
Couvre la régression polynomiale, l'impact de flexibilité, et le sous-ajustement contre le surajustement.
Afficher plus

Graph Chatbot

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.