DATA
MINING
Code module : REG
Intitulé : Techniques
de régression
Durée : 3
jours
Niveau requis : AASTAT
Une formation complète
qui propose aux chargés d'études un maximum de solutions de modélisation
linéaire pour données de tous types : continues, catégorielles,
binaires.
QU'EST-CE
QU'UN MODELE LINEAIRE ?
- Les
régressions usuelles
- Les
hypothèses du modèle linéaire
- Principe
des tests statistiques
LE
MODELE LINEAIRE CLASSIQUE
- Hypothèses
et validation des hypothèses
- Qu'est-ce
qu'un modèle réussi ?
- Les
coefficients et leurs p-values
- Les
résidus
- Exemple
" criminalité "
ANALYSE
DE LA VARIANCE, MODELE LINEAIRE GENERAL
- Hypothèses
et validation des hypothèses
- Introduction
de facteurs qualitatifs
- Analyse
de variance : lien avec le modèle linéaire général
- Comparaison
de moyennes
- Moyennes
ajustées (LSMEANS)
- Exemple
" éducation "
REGRESSION
LOGISTIQUE
- Critères
de qualité du modèle (Akaike, Schwarz)
- Les
coefficients et les odds-ratios
- Notion
de score, aide à la décision (seuil optimal)
- Courbe
ROC
- Exemple
du Titanic
- Exemple
sur l'assurance automobile
MODELE
LINEAIRE GENERALISE
- Lois
autorisées dans un tel modèle
- Fonction
de lien
- Loi
des résidus
- Qualité
du modèle
- Analyse
de la déviance
- Régression
de Poisson
- Régression
Gamma