Un survol de la régression fréquentiste avec lm(), une introduction à la régression bayésienne avec stan_glm(), et une comparaison de leurs résultats respectifs.

Régression linéaire non bayésienne

Explorer les données

Ajuster une régression linéaire fréquentiste

Régression linéaire bayésienne

Ajuster une régression linéaire bayésienne

Critères de convergence

Évaluer la convergence du modèle

Comparer les méthodes fréquentistes et bayésiennes

Différence entre fréquentistes et bayésiens

Créer des intervalles de crédibilité

Introduction aux modèles linéaires bayésiens

Apprenez à modifier votre modèle bayésien, notamment en changeant le nombre et la longueur des chaînes, en ajustant les distributions a priori et en ajoutant des prédicteurs.

Que contient un modèle bayésien ?

Modifier les chaînes

Ai-je suffisamment d'itérations?

Lois a priori

Déterminer les distributions a priori

Calculer les échelles ajustées

Priors non ajustés

Priors définies par l'utilisateur

Modifier les lois a priori

Spécifier des a priori informatifs

Conséquences de préalables informatifs

Modifier le processus d'estimation

Modifier l'estimation

Modifier un modèle bayésien

Dans ce chapitre, nous verrons comment déterminer si notre modèle estimé convient à nos données et comment comparer des modèles concurrents.

Utiliser la statistique R au carré

Calcul de R au carré fréquentiste

R carré pour un modèle bayésien

Vérifications prédictives a posteriori du modèle

Distributions des scores prédits

Distributions pour une seule observation

Ajustement du modèle avec des vérifications prédictives a posteriori

Distribution a posteriori du R-carré

Vérification prédictive a posteriori

Comparaisons de modèles bayésiens

Calcul de l'estimation LOO

Comparer des modèles

Évaluer l'ajustement du modèle

Dans ce chapitre, nous verrons comment utiliser le modèle estimé pour créer des visualisations de votre modèle et faire des prédictions pour de nouvelles données.

Visualiser un modèle bayésien

Tracer un modèle bayésien

Tracer l'incertitude du modèle

Faire des prédictions

Popularité des chansons observées

Popularité de nouvelles chansons

Visualiser les prédictions

Mettre en forme les postérieurs de prédiction

Visualiser de nouvelles prédictions

Conclusion

Présenter et utiliser une régression bayésienne

Spotify dataset

L'estimation bayésienne offre une solution souple aux techniques de modélisation dont les inférences reposent sur les valeurs p. Dans ce cours, vous apprendrez à estimer des modèles de régression linéaire à l'aide de méthodes bayésiennes et du paquet rstanarm. Vous serez initié aux distributions a priori, à la vérification prédictive a posteriori et à la comparaison de modèles dans le cadre bayésien. Vous verrez aussi comment utiliser votre modèle estimé pour faire des prédictions sur de nouvelles données.

Bayesian Modeling with RJAGS

Introduction to Data Visualization with ggplot2

Intermediate Regression in R

Apprenez à utiliser les méthodes bayésiennes pour améliorer les inférences sur les modèles de régression.

Modélisation de régression bayésienne avec rstanarm

Apprenez à exploiter les méthodes d’estimation bayésienne pour mieux inférer sur les modèles de régression linéaire.

Scientifique en apprentissage automatique en R

Critères de convergence

Modélisation de régression bayésienne avec rstanarm

Exercice interactif pratique