Évaluation et sélection de modèles

Modélisation avec des données dans le tidyverse

Albert Y. Kim

Assistant Professor of Statistical and Data Sciences

Rappel : régression multiple

Deux modèles avec différentes paires de variables explicatives/prédictives :

# Modèle 1 - Deux numériques :
model_price_1 <- lm(log10_price ~ log10_size + yr_built, 
                    data = house_prices)


# Modèle 3 - Une numérique et une catégorielle :
model_price_3 <- lm(log10_price ~ log10_size + condition, 
                    data = house_prices)

Rappel : somme des résidus au carré

# Modèle 1
model_price_1 <- lm(log10_price ~ log10_size + yr_built, 
                    data = house_prices)
get_regression_points(model_price_1) %>%
  mutate(sq_residuals = residual^2) %>%
  summarize(sum_sq_residuals = sum(sq_residuals))

# A tibble: 1 x 1
  sum_sq_residuals
             <dbl>
1             585.

Rappel : somme des résidus au carré

# Modèle 3
model_price_3 <- lm(log10_price ~ log10_size + condition, 
                    data = house_prices)

get_regression_points(model_price_3) %>%
  mutate(sq_residuals = residual^2) %>%
  summarize(sum_sq_residuals = sum(sq_residuals))

# A tibble: 1 x 1
  sum_sq_residuals
             <dbl>
1             608.

Passons à la pratique !

Modélisation avec des données dans le tidyverse