Régression avec Python
Home
Résumé
Données
Codes
Corrections
github
Codes
Codes
I Introduction au modèle linéaire
1 Régression simple
2 La régression linéaire multiple
3 Validation du modèle
4 Extensions : non iversibilité et (ou) erreurs corrélées
5 Régression polynomiale et régression spline
II Inférence
6 Inférence dans le modèle gaussien
7 pythonVariables qualitatives : ANCOVA et ANOVA
III Réduction de dimension
8 Choix de variables
9 Régularisation des moindres carrés : ridge, lasso elastic net
10 Régression sur composantes : PCR et PLS
11 Comparaison des différentes méthodes, étude de cas réels
IV Le modèle linéaire généralisé
12 Régression logistique
13 Régression de Poisson
14 Régularisation de la vraisemblance
15 Comparaison des différentes méthodes en classification supervisée, étude de cas réels
16 Données déséquilibrées
Sur cette page
Modules supplémentaires
Codes par chapitre
Codes
Modules supplémentaires
choixolsstats
: chapitre 8
ols_step_sk
: chapitres 10, 11
choixglmstats
: chapitres 11, 13
logistic_step_sk
: chapitre 15
Codes par chapitre
I Introduction au modèle linéaire
1 Régression simple
2 La regression linéaire multiple
3 Validation du modèle
4 Extensions : non inversibilité et (ou) erreurs corrélées
5 Régression polynomiale et régression spline
II Inférence
6 Inférence dans le modèle gaussien
7 Variables qualitatives : ANCOVA et ANOVA
III Réduction de dimension
8 Choix de variables
9 Régularisation des moindres carrés : ridge, lasso elastic net
10 Régression sur composantes : PCR et PLS
11 Comparaison des différentes méthodes, étude de cas réels
IV Le modèle linéaire généralisé
12 Régression logistique
13 Régression de Poisson
14 Régularisation de la vraisemblance
15 Comparaison des différentes méthodes en classification supervisée, étude de cas réels
16 Données déséquilibrées
Aucun article correspondant
Retour au sommet
1 Régression simple