Codes R
IV Le modèle linéairé généralisé
14 Comparaison en classification supervisée
Régression avec R
Présentation
Jeux de données
Codes R
I Introduction au modèle linéaire
1 Régression simple
2 La régression linéaire multiple
3 Validation du modèle
II Inférence
5 Inférence dans le modèle Gaussien
6 Variables qualitatives : ANCOVA et ANOVA
III Réduction de dimension
7 Choix de variables
8 Régularisation des moindres carrés : Ridge, Lasso et elastic net
9 Régression sur composantes : PCR et PLS
10 Comparaison des différentes méthodes, étude de cas réels
IV Le modèle linéairé généralisé
11 Régression logistique
12 Régression de Poisson
13 Régularisation de la vraisemblance
14 Comparaison en classification supervisée
15 Données déséquilibrées
V Introduction à la régression non paramétrique
16 Introduction à la régression spline
17 Estimateurs à noyau et
\(k\)
plus proches voisins
Correction des exercices
I Introduction au modèle linéaire
1 La régression linéaire simple
2 La régression linéaire multiple
3 Validation du modèle
4 Extensions : non-inversibilité et (ou) erreurs corrélées
II Inférence
5 Inférence dans le modèle gaussien
6 Variables qualitatives : ANCOVA et ANOVA
III Réduction de dimension
7 Choix de variables
8 Régularisation des moindre carrés : Ridge, Lasso et elastic net
9 Régression sur composantes : PCR et PLS
IV Le modèle linéairé généralisé
11 Régression logistique
12 Régression de Poisson
13 Régularisation de la vraisemblance
14 Comparaison en classification supervisée
15 Données déséquilibrées
V Introduction à la régression non paramétrique
16 Introduction à la régression spline
17 Estimateurs à noyau et
\(k\)
plus proches voisins
14 Comparaison en classification supervisée
13 Régularisation de la vraisemblance
15 Données déséquilibrées