Régression logistique : interprétation et comparaison du modèle

Cette séance de cours couvre l'application de la régression logistique dans la modélisation statistique, en se concentrant sur l'interprétation des paramètres du modèle et l'évaluation de l'ajustement du modèle. Les sujets abordés comprennent l'utilisation de variables indicatrices pour les prédicteurs catégoriques, la transformation logit, les rapports de cotes et la déviation comme mesure de la qualité du modèle. L'instructeur explique comment estimer les probabilités et les probabilités pour différents scénarios, effectuer des tests d'inférence pour les coefficients et comparer les modèles à l'aide de tests de rapport de probabilité. La séance de cours se penche également sur l'importance de la déviance dans la régression logistique et sur l'importance de la comparaison des modèles dans l'analyse statistique.

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 (48)

Concepts associés (54)

Inférence statistique

vignette|Illustration des 4 principales étapes de l'inférence statistique L'inférence statistique est l'ensemble des techniques permettant d'induire les caractéristiques d'un groupe général (la population) à partir de celles d'un groupe particulier (l'échantillon), en fournissant une mesure de la certitude de la prédiction : la probabilité d'erreur. Strictement, l'inférence s'applique à l'ensemble des membres (pris comme un tout) de la population représentée par l'échantillon, et non pas à tel ou tel membre particulier de cette population.

Model selection

Model selection is the task of selecting a model from among various candidates on the basis of performance criterion to choose the best one. In the context of learning, this may be the selection of a statistical model from a set of candidate models, given data. In the simplest cases, a pre-existing set of data is considered. However, the task can also involve the design of experiments such that the data collected is well-suited to the problem of model selection.

Test du rapport de vraisemblance

En statistiques, le test du rapport de vraisemblance est un test statistique qui permet de tester un modèle paramétrique contraint contre un non contraint. Si on appelle le vecteur des paramètres estimés par la méthode du maximum de vraisemblance, on considère un test du type : contre On définit alors l'estimateur du maximum de vraisemblance et l'estimateur du maximum de vraisemblance sous .

Régression logistique

En statistiques, la régression logistique ou modèle logit est un modèle de régression binomiale. Comme pour tous les modèles de régression binomiale, il s'agit d'expliquer au mieux une variable binaire (la présence ou l'absence d'une caractéristique donnée) par des observations réelles nombreuses, grâce à un modèle mathématique. En d'autres termes d'associer une variable aléatoire de Bernoulli (génériquement notée ) à un vecteur de variables aléatoires . La régression logistique constitue un cas particulier de modèle linéaire généralisé.

Likelihood principle

In statistics, the likelihood principle is the proposition that, given a statistical model, all the evidence in a sample relevant to model parameters is contained in the likelihood function. A likelihood function arises from a probability density function considered as a function of its distributional parameterization argument.

MATH-236: Probability and statistics II

Linear statistical methods, analysis of experiments, logistic regression.

Probabilité et statistiques MATH-232: Probability and statistics

Couvre p-quantile, approximation normale, distributions articulaires et familles exponentielles en probabilité et en statistiques.

Régression linéaire probabiliste PHYS-467: Machine learning for physicists

Examine la régression probabiliste linéaire, couvrant les probabilités articulaires et conditionnelles, la régression des crêtes et l'atténuation excessive.

Probabilité et statistiques MATH-232: Probability and statistics

Introduit la probabilité, les statistiques, les distributions, l'inférence, la probabilité et la combinatoire pour étudier les événements aléatoires et la modélisation en réseau.

Régression linéaire : analyse des données sur l'ozone MATH-131: Probability and statistics

Explore l'analyse de régression linéaire des données sur l'ozone à l'aide de modèles statistiques.

Critères de sélection du modèle : AIC, BIC, Cp MATH-413: Statistics for data science

Explore les critères de sélection des modèles comme l'AIC, le BIC et le Cp en statistique pour la science des données.