La librairie vous accueille le lundi de 14h à 19h et du mardi au samedi de 9h30 à 19h.
3 rue de la Paix 53000 Laval - 02 43 53 04 00 - librairiemlire@gmail.com

 

Régression avec R, 3ème édition
EAN13
9782759831463
Éditeur
EDP sciences
Date de publication
Collection
Pratique R
Langue
français
Fiches UNIMARC
S'identifier

Régression avec R

3ème édition

EDP sciences

Pratique R

Livre numérique

  • Aide EAN13 : 9782759831463
    • Fichier PDF, avec Marquage en filigrane
    21.99

Autre version disponible

Cet ouvrage expose de manière détaillée, exemples à l’appui, différentes
façons de répondre à un des problèmes statistiques les plus courants : la
régression. Cette nouvelle édition se décompose en cinq parties. La première
donne les grands principes des régressions simple et multiple par moindres
carrés. Les fondamentaux de la méthode, tant au niveau des choix opérés que
des hypothèses et leur utilité, sont expliqués. La deuxième partie est
consacrée à l’inférence et présente les outils permettant de vérifier les
hypothèses mises en œuvre. Les techniques d’analyse de la variance et de la
covariance sont également présentées dans cette partie. Le cas de la grande
dimension est ensuite abordé dans la troisième partie. Différentes méthodes de
réduction de la dimension telles que la sélection de variables, les
régressions sous contraintes (lasso, elasticnet ou ridge) et sur composantes
(PLS ou PCR) sont notamment proposées. Un dernier chapitre propose des
algorithmes, basés sur des méthodes de rééchantillonnage comme
l’apprentissage/validation ou la validation croisée, qui permettent d’établir
une comparaison entre toutes ces méthodes. La quatrième partie se concentre
sur les modèles linéaires généralisés et plus particulièrement sur les
régressions logistique et de Poisson avec ou sans technique de régularisation.
Une section particulière est consacrée aux comparaisons de méthodes en
classification supervisée. Elle introduit notamment des critères de
performance pour scorer des individus comme les courbes ROC et lift et propose
des stratégies de choix seuil (Younden, macro F1...) pour les classer. Ces
notions sont ensuite mises en œuvre sur des données réelles afin de
sélectionner une méthode de prévision parmi plusieurs algorithmes basés sur
des modèles logistiques (régularisés ou non). Une dernière section aborde le
problème des données déséquilibrées qui est souvent rencontré en régression
binaire. Enfin, la dernière partie présente l’approche non paramétrique à
travers les splines, les estimateurs à noyau et des plus proches voisins. La
présentation témoigne d’un réel souci pédagogique des auteurs qui bénéficient
d’une expérience d’enseignement auprès de publics très variés. Les résultats
exposés sont replacés dans la perspective de leur utilité pratique grâce à
l’analyse d’exemples concrets. Les commandes permettant le traitement des
exemples sous R figurent dans le corps du texte. Enfin, chaque chapitre est
complété par une suite d’exercices corrigés. Les codes, les données et les
corrections des exercices se trouvent sur le site https://regression-
avec-r.github.io/ Cet ouvrage s’adresse principalement à des étudiants de
Master et d’écoles d’ingénieurs ainsi qu’aux chercheurs travaillant dans les
divers domaines des sciences appliquées
S'identifier pour envoyer des commentaires.