Hello la famille, le jour 39 a été l'un des jours les plus difficiles du défi. J'espère que vous retirerez l'essentiel de l'information de la vidéo. Bon visionnage à vous et rendez-vous le jour 40 pour la suite du challenge 🎉🥳🥳🚀
Merci pour cette video explicative sur la validation des hypothèses d'un M.L En ce qui concerne la linéarité entre variables explicatives, si tu en as 10 , 15 ça va, mais si tu en as 50 ça va etre compliqué de vérifier cela, il te faudra faire une sélection de variables pour en éliminer plusieurs. En général pour le reste, le fait de vérifier ces 3 hypothèses: la normalité des résidus, indépendance, Homoscédasticité (constance de la variance), suffit souvent pour que le modèle soit validé. je suis d'accord avec toi, avant de se lancer dans une régression simple par exemple, il est conseillé d'abord de regarder la corrélation entre variables Y et X par exemple si non tu risques par exemple de faire une régression là ou il ya plutot une classification à faire. Une dernière chose, sur R , il ya une focntion qui te permet d'avoir directement une décision globale de validation des hypothèses , cest la fonction glvma(). je t'envoie un lien, tu vas aimer lol ua-cam.com/video/jk9250qmcPE/v-deo.html Je vois que tu utilises Python, moi je suis plutot R lol
Bonjour et merci beaucoup pour ton commentaire détaillé et instructif! Tu soulèves un point très pertinent concernant la gestion de la linéarité entre un grand nombre de variables explicatives. Il est vrai que vérifier la linéarité de manière individuelle peut rapidement devenir une tâche colossale il faut à minima la vérification des hypothèses de normalité des résidus, d'indépendance et d'homoscédasticité pour valider un modèle de régression linéaire. Le fait de travailler avec les variables qualitatives peut aider à s'affranchir de l'hypothèse de linéarité. Merci pour ton commentaire très éclairé. C'est toujours un plaisir de voir une discussion aussi riche et constructive sur ces sujets!
Hello la famille, le jour 39 a été l'un des jours les plus difficiles du défi. J'espère que vous retirerez l'essentiel de l'information de la vidéo. Bon visionnage à vous et rendez-vous le jour 40 pour la suite du challenge 🎉🥳🥳🚀
Hello Natacha ; j’espère que tout va bien de votre côté. On continue le challenge avec vous.
Merci pour cette video explicative sur la validation des hypothèses d'un M.L
En ce qui concerne la linéarité entre variables explicatives, si tu en as 10 , 15 ça va, mais si tu en as 50 ça va etre compliqué de vérifier cela, il te faudra faire une sélection de variables pour en éliminer plusieurs.
En général pour le reste,
le fait de vérifier ces 3 hypothèses: la normalité des résidus, indépendance, Homoscédasticité (constance de la variance), suffit souvent pour que le modèle soit validé.
je suis d'accord avec toi, avant de se lancer dans une régression simple par exemple, il est conseillé d'abord de regarder la corrélation entre variables Y et X par exemple si non tu risques par exemple de faire une régression là ou il ya plutot une classification à faire.
Une dernière chose, sur R , il ya une focntion qui te permet d'avoir directement une décision globale de validation des hypothèses ,
cest la fonction glvma().
je t'envoie un lien, tu vas aimer lol
ua-cam.com/video/jk9250qmcPE/v-deo.html
Je vois que tu utilises Python, moi je suis plutot R lol
Je viens de découvrir la chaîne. Très beau travail Je m'abonne👌
Bonjour et merci beaucoup pour ton commentaire détaillé et instructif!
Tu soulèves un point très pertinent concernant la gestion de la linéarité entre un grand nombre de variables explicatives. Il est vrai que vérifier la linéarité de manière individuelle peut rapidement devenir une tâche colossale il faut à minima la vérification des hypothèses de normalité des résidus, d'indépendance et d'homoscédasticité pour valider un modèle de régression linéaire. Le fait de travailler avec les variables qualitatives peut aider à s'affranchir de l'hypothèse de linéarité.
Merci pour ton commentaire très éclairé. C'est toujours un plaisir de voir une discussion aussi riche et constructive sur ces sujets!
i do like what you do. Thanks for all 😇
Thanks Ettien:)
Parfait !
Très intéressant
Merci Lionel
J'aimerais avoir votre horaire de cours
Super !
Merci!
thank 💗
merci
Avec plaisir ☺️
Bonjour. Comment entrer en contact avec vous ?
Vous pouvez prendre un rendez-vous ici: calendly.com/natachanjongwa
L'absence de l'homoscédasticité ne rend pas les estimateurs biaisés. Les estimateurs ne seront pas plutôt "blue".
Exact
CERTES ,QUAND LES ESTIMATEURS NE SONT PLUS BLUE C'EST-À-DIRE BEST LINEAR UNBIAISE. C'EST QUILS SONT BIAISÉS ELLE A TOTALEMENT. RAISON