Chapitre 16. Régression logistique
Cet ouvrage a été traduit à l'aide de l'IA. Tes réactions et tes commentaires sont les bienvenus : translation-feedback@oreilly.com
Ce chapitre présente deux sujets apparentés : la cote logarithmique et la régression logistique.
Dans "La règle de Bayes", nous avons réécrit le théorème de Bayes en termes de probabilités et dérivé la règle de Bayes, qui peut être une façonpratique de faire une mise à jour bayésienne sur papier ou dans ta tête. Dans ce chapitre, nous examinerons la règle de Bayes sur une échelle logarithmique, ce qui permet de comprendre comment nous accumulons des preuves par le biais de mises à jour successives.
Cela nous mène directement à la régression logistique, qui est basée sur un modèle linéairede la relation entre les preuves et le logarithme de la probabilité d'une hypothèse. À titre d'exemple, nous utiliserons les données de la navette spatiale pour explorer la relation entre la température et la probabilité d'endommagement des joints toriques.
En guise d'exercice, tu auras l'occasion de modéliser la relation entre l'âge d'un enfant lorsqu'il commence l'école et sa probabilité d'être diagnostiqué avec un trouble du déficit de l'attention et de l'hyperactivité (TDAH).
Cotes logarithmiques
Lorsque j'étais à l'école supérieure, je me suis inscrit à un cours sur la théorie de Computation. Le premier jour du cours, j'étais le premier à arriver. Quelques minutes plus tard, un autre étudiant est arrivé.
À l'époque, environ ...
Become an O’Reilly member and get unlimited access to this title plus top books and audiobooks from O’Reilly and nearly 200 top publishers, thousands of courses curated by job role, 150+ live events each month,
and much more.
Read now
Unlock full access