Conclusion sur la régression linéaire
Apprentissage supervisé en R : régression
Nina Zumel and John Mount
Win-Vector, LLC
Avantages et limites de la régression linéaire
- Avantages
- Facile à ajuster et à appliquer
- Concise
- Moins sujette au surapprentissage
Avantages et limites de la régression linéaire
- Avantages
- Facile à ajuster et à appliquer
- Concise
- Moins sujette au surapprentissage
- Interprétable
Call:
lm(formula = blood_pressure ~ age + weight, data = bloodpressure)
Coefficients:
(Intercept) age weight
30.9941 0.8614 0.3349
Avantages et limites de la régression linéaire
- Avantages
- Facile à ajuster et à appliquer
- Concise
- Moins sujette au surapprentissage
- Interprétable
- Limites
- N'exprime que des relations linéaires et additives
Colinéarité
- Colinéarité — lorsque des variables d'entrée sont partiellement corrélées.
Call:
lm(formula = blood_pressure ~ age + weight, data = bloodpressure)
Coefficients:
(Intercept) age weight
30.9941 0.8614 0.3349
Colinéarité
- Colinéarité — lorsque des variables sont partiellement corrélées.
- Les coefficients peuvent changer de signe
Call:
lm(formula = blood_pressure ~ age + weight, data = bloodpressure)
Coefficients:
(Intercept) age weight
30.9941 0.8614 0.3349
Colinéarité
- Colinéarité — lorsque des variables sont partiellement corrélées.
- Les coefficients peuvent changer de signe
- Forte colinéarité :
- Coefficients (ou écarts types) trop grands
- Modèle possiblement instable
Call:
lm(formula = blood_pressure ~ age + weight, data = bloodpressure)
Coefficients:
(Intercept) age weight
30.9941 0.8614 0.3349
À suivre
- Évaluer un modèle de régression
- Bien entraîner un modèle
Passons à la pratique !
Apprentissage supervisé en R : régression
