La Regression Lasso Et La R ` Egression Ridge ` / Samiha BOUAKKAZ 

Public ISBD Titre : La Regression Lasso Et La R ` Egression Ridge ` Type de document : texte imprimé Auteurs : Samiha BOUAKKAZ, Auteur ; Rayanne CHAKOUR, Auteur ; Rayane KAHOUL, Auteur ; Ikhlas TABANI, Auteur ; Aboud Nemouchi, Directeur de thèse Editeur : CONSTANTINE [ALGERIE] : Université Frères Mentouri Constantine Année de publication : 2021 Importance : 101 f. Format : 30 cm. Note générale : Une copie electronique PDF disponible au BUC Langues : Français (fre) Catégories : Sciences Exactes:Mathématiques Tags : Régression linéaire  Régression Ridge  Régression Lasso. Index. décimale : 510 Mathématiques Résumé : Le problème général étudié dans ces par parties est celui de la régression linéaire en grande dimension. Une méthode populaire pour estimer le paramètre inconnu de la régression dans ce contexte est l’estimateur des moindres carrés pénalisé par la norme L1 du coefficient, connu sous le nom de LASSO (Tibshirani, 1996). Et la norme L2 sous le nom RIDGE (Hoerl et Kennard, 1970). Pour résumer, voici quelques différences importantes entre lasso et ridge : Lasso effectue une sélection éparse,contrairement à Ridge. Lorsque vous avez des variables hautement corrélées, la régression ridge réduit les 2 coefficients l’un par rapport l’à autre. Lasso est quelque peu indifférent et en choisit généralement un plutôt que le contraire. Ridge pénalise les plus grosses erreurs tout à fait il pénalise les plus petites (car elles sont au carré dans le terme de pénalité). Lasso les pénalise plus uniformément, cela peut être important ou non. Lors d’un problème de prévision avec un prédicteur fort, l’efficacité du prédicteur est réduite par la ridge par rapport au lasso. Diplome : Master 2 Permalink : https://bu.umc.edu.dz/master/index.php?lvl=notice_display&id=15399 La Regression Lasso Et La R ` Egression Ridge ` [texte imprimé] / Samiha BOUAKKAZ, Auteur ; Rayanne CHAKOUR, Auteur ; Rayane KAHOUL, Auteur ; Ikhlas TABANI, Auteur ; Aboud Nemouchi, Directeur de thèse . - CONSTANTINE [ALGERIE] : Université Frères Mentouri Constantine, 2021 . - 101 f. ; 30 cm. Une copie electronique PDF disponible au BUC Langues : Français (fre) Catégories : Sciences Exactes:Mathématiques Tags : Régression linéaire  Régression Ridge  Régression Lasso. Index. décimale : 510 Mathématiques Résumé : Le problème général étudié dans ces par parties est celui de la régression linéaire en grande dimension. Une méthode populaire pour estimer le paramètre inconnu de la régression dans ce contexte est l’estimateur des moindres carrés pénalisé par la norme L1 du coefficient, connu sous le nom de LASSO (Tibshirani, 1996). Et la norme L2 sous le nom RIDGE (Hoerl et Kennard, 1970). Pour résumer, voici quelques différences importantes entre lasso et ridge : Lasso effectue une sélection éparse,contrairement à Ridge. Lorsque vous avez des variables hautement corrélées, la régression ridge réduit les 2 coefficients l’un par rapport l’à autre. Lasso est quelque peu indifférent et en choisit généralement un plutôt que le contraire. Ridge pénalise les plus grosses erreurs tout à fait il pénalise les plus petites (car elles sont au carré dans le terme de pénalité). Lasso les pénalise plus uniformément, cela peut être important ou non. Lors d’un problème de prévision avec un prédicteur fort, l’efficacité du prédicteur est réduite par la ridge par rapport au lasso. Diplome : Master 2 Permalink : https://bu.umc.edu.dz/master/index.php?lvl=notice_display&id=15399

Réservation

Réserver ce document

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MSMTH210047	MSMTH210047	Document électronique	Bibliothèque principale	Mémoires	Disponible

Documents numériques

fichier integral Adobe Acrobat PDF

---

1 (1 - 1 / 1)