UE Modèle linéaire

• Modèle linéaire multiple : hypothèses de modélisation, estimation et test
• Estimation bayésienne et régularisations Lasso et Ridge
• Critères BIC et AIC ; sélection de variables (backward, forward, stepwise)
• Erreurs de validation et de test ; validation croisée

• Ajuster un modèle, interpréter et prédire
• Mettre en œuvre sur différents types de variables à expliquer, utiliser des effets croisés
• Gérer des variables explicatives diverses, et les transformer pour les utiliser dans les modèles
• Reconnaitre une situation de sur-apprentissage et y remédier (effet levier, grande dimension,…)

La partie pratique se déroulera en SAS ou R ou Python, suivant le parcours (DS, IMSA, MASSPOP).

P.-A. Cornillon, E. Matzner-Løber (2010) Régression avec R. Springer

J.-J. Daudin (2015) Le modèle linéaire et ses extensions. Ellipses

Gelman, J. Hill, A. Vehtari (2020) Regression and Other Stories. Cambridge University Press

James, D. Witten, T. Hastie, R. Tibshirani (2013) An Introduction to Statistical Learning. Springer

P. Murphy (2012) Machine Learning, A probabilistic perspective. MIT Press