Séance de cours

Régression logistique : interprétation et ingénierie des caractéristiques

Description

Cette séance de cours couvre la régression logistique, son interprétation probabiliste et les techniques d'ingénierie des caractéristiques. Parmi les sujets abordés, mentionnons le surajustement, les données de train/test, la classification binaire, le modèle de perte logistique, les mesures de performance et les méthodes de normalisation des données.

Connectez-vous pour regarder la vidéo

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.

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.

Connectez-vous pour utiliser Chat avec Graph Search

Dans cours

DEMO: exercitation ex laborum

Aliquip laboris et nostrud non nostrud. Elit est nostrud dolore anim consectetur ut et esse duis excepteur deserunt dolore nisi aliqua. Proident duis fugiat ut nisi ad eu labore cupidatat non. Cillum non et ea exercitation ex aliquip sunt do tempor occaecat consectetur. Cillum voluptate irure mollit nulla enim voluptate sit. Consequat aliquip irure et magna elit do sint.

Connectez-vous pour voir cette section

Description

Connectez-vous pour regarder la vidéo

Enseignant

laboris officia est

Esse ipsum deserunt reprehenderit ex sint voluptate esse tempor est est duis laboris. Lorem ipsum et eiusmod dolor deserunt mollit cupidatat sint est. Enim elit duis esse eu labore ut occaecat. Ad dolor velit aliqua incididunt et irure dolore enim velit do esse pariatur.

Connectez-vous pour voir cette section

Source officielle

À propos de ce résultat

Proximité ontologique

Statistique

Analyse des données: Régression (statistiques), Validation croisée

Inférence statistique: Statistique mathématique

Mathématiques

Algèbre: Algèbre linéaire

Information engineering

Apprentissage automatique: Apprentissage automatique

Séances de cours associées (107)

Couvre la régression linéaire et logistique pour les tâches de régression et de classification, en mettant l'accent sur les fonctions de perte et la formation de modèle.

Couvre l'interprétation probabiliste de la régression logistique, la régression multinomiale, le KNN, les hyperparamètres et la malédiction de la dimensionnalité.

Couvre la classification linéaire en utilisant la régression logistique, la régularisation et la classification multiclasse.

Couvre le concept de classification multiclasse et les défis de la séparation linéaire des données avec les classes multiples.

Couvre l'apprentissage non supervisé avec l'APC et les moyennes K pour la réduction de dimensionnalité et le regroupement des données.

Afficher plus