STAT : Sélection de variables en analyse exploratoire – Régressions régularisées, Arbres et Forêt aléatoire
Campus Triolet, Bat 36, SC36.08
Jonathan Dubois – Institut de Science des Données de Montpellier
Vous tentez d’étudier un processus sans a priori spécifique et vous avez mesuré un nombre important de variables que vous pensez potentiellement impliquées. Comment trier et garder l’information pertinente ? Venez découvrir trois approches de Machine Learning pertinentes dans ce domaine : les méthodes de Régression Régularisée (LASSO, Ridge, ElasticNet), les Arbres de Décision et la Forêt Aléatoire.
Analyse Statistique, RStudio