GLM

SIGNIFICATION

Generalized Linear Model (Modèle Linéaire Généralisé)

Rôle et explication

Le GLM est une extension de la régression linéaire qui permet de modéliser des relations entre des variables indépendantes et des variables dépendantes qui ne suivent pas nécessairement une distribution normale. Il inclut des modèles tels que la régression logistique et la régression de Poisson.

Thèmes associés :
AdjectifAdverbeApparenceassociationsCouleurExpressionfavorisFigures de StyleNomPériphraseVerbe

Vocabulaire Connexe :

  1. R² : Coefficient de Détermination Rôle et explication Le R² est une statistique qui mesure la proportion de la variance dans la variable dépendante qui est expliquée par les variables indépendantes dans un modèle de régression. Un R²...
  2. OLS : Ordinary Least Squares (Moindres Carrés Ordinaires) Rôle et explication L’OLS est une méthode de régression qui cherche à minimiser la somme des carrés des écarts entre les valeurs observées et les valeurs prédites par le modèle....
  3. MBD : Model-Based Definition (Définition Basée sur le Modèle) Rôle et explication Le MBD est une approche de conception qui utilise des modèles 3D comme source principale de définition des produits, au lieu des dessins techniques traditionnels. Il...
  4. LQR : Linear Quadratic Regulator (Régulateur Linéaire Quadratique) Rôle et explication Le LQR est une méthode d’optimisation utilisée dans la théorie du contrôle pour concevoir des contrôleurs qui minimisent une fonction coût quadratique. Il est largement utilisé dans...
  5. SVM : Support Vector Machine (Machine à Vecteurs de Support) Rôle et explication Le SVM est un algorithme d’apprentissage supervisé utilisé principalement pour la classification et la régression. Il trouve l’hyperplan optimal qui sépare les classes de données...
  6. RF : Random Forest Rôle et explication Le RF est un algorithme d’apprentissage supervisé qui construit une multitude d’arbres de décision lors de l’entraînement et sort la classe qui est la mode (classification) ou la moyenne (régression) des...
  7. XGBoost : Extreme Gradient Boosting Rôle et explication XGBoost est une implémentation améliorée de l’algorithme de gradient boosting. Il est rapide et performant, et largement utilisé dans les compétitions de science des données pour résoudre des problèmes de...
  8. EM : Expectation-Maximization Rôle et explication L’algorithme EM est utilisé pour trouver les estimations des paramètres maximisant la vraisemblance dans des modèles statistiques où les données contiennent des variables cachées ou manquantes. Il est utilisé pour des tâches...
  9. Cepheid : Variable Céphéide Rôle et explication Les céphéides sont des étoiles variables dont la luminosité change de manière régulière. Elles sont utilisées comme « balises » pour mesurer les distances dans l’univers, car il existe une relation bien définie...
  10. MLE : Maximum Likelihood Estimation (Estimation du Maximum de Vraisemblance) Rôle et explication La MLE est une méthode statistique utilisée pour estimer les paramètres d’un modèle à partir de données observées, en maximisant la vraisemblance que les données...