En statistiques, l’asymétrie et l’aplatissement sont deux façons de mesurer la forme d’une distribution. L’asymétrie est une mesure de l’asymétrie d’une distribution. Cette valeur peut être positive ou négative. Une asymétrie négative indique que la queue se trouve sur le côté...
Les quartiles sont des valeurs qui divisent un ensemble de données en quatre parties égales. Le premier quartile représente le 25e percentile d’un ensemble de données. Le deuxième quartile représente le 50e percentile d’un ensemble de données. Cette valeur est équivalente...
Le domaine de l’apprentissage automatique contient un ensemble massif d’algorithmes qui peuvent être utilisés pour comprendre les données. Ces algorithmes peuvent être classés dans l’une des deux catégories suivantes : 1. Algorithmes d’apprentissage supervisé : impliquent la construction d’un modèle pour estimer ou...
Vous pouvez générer rapidement unedistribution normale en Python en utilisant la fonction numpy.random.normal() , qui utilise la syntaxe suivante : numpy.random.normal(loc=0.0, scale=1.0, size=None) où: loc : Moyenne de la distribution. La valeur par défaut est 0. échelle : Écart type de la...
Les algorithmes d’apprentissage automatique peuvent être divisés en deux types distincts : les algorithmes d’apprentissage supervisé et non supervisé . Les algorithmes d’apprentissage supervisé peuvent être classés en deux types : 1. Régression : La variable de réponse est continue. Par exemple, la variable...
Pour évaluer les performances d’un modèle sur un ensemble de données, nous devons mesurer dans quelle mesure les prédictions du modèle correspondent aux données observées. Pour les modèles de régression , la métrique la plus couramment utilisée est l’erreur quadratique moyenne...
La régression linéaire simple est une technique que nous pouvons utiliser pour comprendre la relation entre une seule variable explicative et une seule variable de réponse . En un mot, cette technique trouve une ligne qui « correspond » le mieux...
La régression linéaire simple est une technique que nous pouvons utiliser pour comprendre la relation entre une seule variable explicative et une seule variable de réponse . Cette technique trouve une ligne qui « correspond » le mieux aux données et...
Lorsque nous voulons comprendre la relation entre une seule variable prédictive et une variable de réponse, nous utilisons souvent la régression linéaire simple . Cependant, si nous souhaitons comprendre la relation entre plusieurs variables prédictives et une variable de réponse, nous...
Lorsque nous voulons comprendre la relation entre une ou plusieurs variables prédictives et une variable de réponse continue, nous utilisons souvent la régression linéaire . Cependant, lorsque la variable de réponse est catégorique, nous pouvons utiliser la régression logistique . La...
