- Bloc 16 — Toutes les métriques de régression
- Objectif
- établir formellement que le coefficient de détermination ne peut
jamais décroître lorsqu'on ajoute une variable explicative à un modèle par
moindres carrés, et en déduire qu'il est inapte à comparer des modèles de
complexité différente ; définir rigoureusement le coefficient de détermination
ajusté, démontrer son mécanisme de pénalisation et établir la condition exacte
de son augmentation ; définir le critère d'information d'Akaike et le critère
d'information bayésien, comparer la sévérité de leurs pénalisations et
caractériser leurs propriétés respectives d'efficacité et de consistance ;
poser la position méthodologique du cours selon laquelle tous ces critères sont
des substituts en échantillon à une évaluation hors échantillon ; savoir lire
intégralement la sortie de régression de statsmodels et implémenter les
quantités manquantes côté scikit-learn.
- Durée estimée
- 60 minutes
- Prérequis
- chapitres 025 (sélection de variables), 026 (découpage
apprentissage / validation / test), 028 (fuite de données), 031 (surapprentissage),
034 (validation croisée), 044 (régression linéaire), 045 (régression multiple),
047 (Ridge, Lasso, ElasticNet), 068 (MSE), 069 (RMSE), 071 (coefficient de
détermination)
- Quiz associés
072.1-quiz-croissance-mecanique-r2.md à
072.7-quiz-implementation-statsmodels.md