Titre :	Régression avec R
Type de document :	Ouvrage
Auteurs :	Pierre-André Cornillon, Auteur ; Nicolas Hengartner, Auteur ; Eric Matzner-Lober, Auteur ; Laurent Rouvière, Auteur
Mention d'édition :	2ème ed
Editeur :	Les Ulis : Edp Sciences
Année de publication :	2019
Collection :	Pratique R
Importance :	384 p
ISBN/ISSN/EAN :	978-2-7598-2076-4
Langues :	Français (fre)
Catégories :	[Motbis 2025] analyse des données [Motbis 2025] analyse statistique [Motbis 2025] informatique [Motbis 2025] logiciel [Motbis 2025] mathématique [Motbis 2025] statistique
Index. décimale :	DJ-0 Généralités
Note de contenu :	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 Ridge, Lasso et elastic-net 9 Régression sur composantes : PCR et PLS 10 Comparaison des différentes méthodes, étude de cas réels IV Le modèle linéaire généralisé 11 Régression logistique 12 Régression de Poisson 13 Régularisation de la vraisemblance V Introduction à la régression non paramétrique 14 Introduction à la régression spline 15 Estimateurs à noyau et k plus proches voisins

Régression avec R [Ouvrage] / Pierre-André Cornillon, Auteur ; Nicolas Hengartner, Auteur ; Eric Matzner-Lober, Auteur ; Laurent Rouvière, Auteur  . -  2ème ed . - Les Ulis : Edp Sciences, 2019 . - 384 p. - (Pratique R) .
ISBN : 978-2-7598-2076-4
Langues : Français (fre)

Catégories :	[Motbis 2025] analyse des données [Motbis 2025] analyse statistique [Motbis 2025] informatique [Motbis 2025] logiciel [Motbis 2025] mathématique [Motbis 2025] statistique
Index. décimale :	DJ-0 Généralités
Note de contenu :	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 Ridge, Lasso et elastic-net 9 Régression sur composantes : PCR et PLS 10 Comparaison des différentes méthodes, étude de cas réels IV Le modèle linéaire généralisé 11 Régression logistique 12 Régression de Poisson 13 Régularisation de la vraisemblance V Introduction à la régression non paramétrique 14 Introduction à la régression spline 15 Estimateurs à noyau et k plus proches voisins