Tipos de regressão by Savio Haistem Ferreira Dantas

quando usar

saviohaistem — 2022-10-03 13:46:52 UTC

A regressão quantilica é usada quando se quer obter estimativas de diferentes quantis de uma população

Para entender o que é Regressão de Poisson

2022-10-03 18:10:38 UTC

para aprofundar o conhecimento

2022-10-03 18:14:11 UTC

A regressão de Poisson é usada quando queremos projetar o valor de uma variável de resultado calculada à partir de dados de contagem ou tabelas de contingências. Estas variáveis contabilizadas através da contagem de elementos. Já as variáveis preditoras podem ser de qualquer tipo (contínuas, binárias, categóricas, etc.).

2022-10-03 18:16:44 UTC

Vantagem

saviohaistem — 2022-10-03 18:17:25 UTC

Esta regressão tem recebido mais atenção pois entrega uma análise estatística mais completa com variáveis aleatórias

Definição

saviohaistem — 2022-10-03 18:26:01 UTC

Tese de Doutorado que aborda o modelo de Regressão binomial negativa

2022-10-03 18:38:02 UTC

2022-10-03 18:56:45 UTC

2022-10-03 18:59:50 UTC

2022-10-03 19:05:28 UTC

Uso da regressão de Cox para estimar fatores associados a óbito neonatal em UTI privada

2022-10-03 19:08:15 UTC

Definição

saviohaistem — 2022-10-03 19:11:00 UTC

Elastic Net produz um modelo de regressão que é penalizado com as normas L1 e L2. A conseqüência disso é efetivamente reduzir os coeficientes e definir alguns coeficientes para zero.Ou seja, incorpora as virtudes das regressões Lasso e Ridge sanando suas limitações em muitos casos.

Regularização L1 e L2

2022-10-03 21:13:03 UTC

Primeiramente, note que a regressão Lasso pode ser útil quando temos muitas variáveis e queremos eliminar as menos importantes; porém, quando falamos de regressão ridge, temos regressões com muitas variáveis importantes. Queremos tornar nosso modelo mais simples reduzindo a magnitude dos regressores, mas não eliminar nenhum.

Artigo MÉTODO “RIDGE” EM MODELO DE SUPERFÍCIE DE RESPOSTA:OTIMIZAÇÃO DE CONDIÇÕES EXPERIMENTAIS NA ELABORAÇÃODE DOCE DE GOIABA

2022-10-03 21:17:49 UTC

Vídeo aula

2022-10-03 21:21:19 UTC

Algoritmos de machine learning: regressões penalizadas com ridge, lasso e MQP.

Artigo: Avaliação do lasso e métodos alternativos em modelos de regressão logística.

2022-10-03 21:28:26 UTC

Definição

2022-10-03 21:35:47 UTC

Artigo: MÁQUINA DE VETOR DE SUPORTE APLICADA A DADOS DESENSORIAMENTO REMOTO PARA A ESTIMAÇÃO DE VOLUME EBIOMASSA AÉREA DE POVOAMENTOS DE EUCALIPTO

2022-10-03 21:36:43 UTC

Vídeo aula: Máquina de vetores de suporte (SVM)

2022-10-03 21:40:08 UTC

Definição, Hiperplanos, Vetores de suporte, Kernel, Regularização e Gamma. São os conteúdos abordados no vídeo.

Definição

2022-10-04 00:45:29 UTC

PCR é uma técnica de regressão que é amplamente utilizada quando você tem muitas variáveis independentes ou multicolinearidades. Está dividido em 2 etapas:

1.Obter os componentes principais.
2.Executar análise de regressão nos componentes principais.

As características mais comuns da PCR são:

(a).Redução de dimensionalidade
(b).Remoção de multicolinearidade

Obtendo os componentes principais:

2022-10-04 00:53:08 UTC

A análise de componentes principais é um método estatístico para extrair novos recursos quando os recursos originais são altamente correlacionados. Criamos novos recursos com a ajuda de recursos originais, de modo que os novos recursos não sejam correlacionados.

Vamos considerar o primeiro componente principal:

U1=β1X1+β2X2+...+βpXp
Tal que ∑β2=1

O primeiro PC (principal component - componente principal) está tendo a variação máxima.
Da mesma forma, podemos encontrar o segundo PC U2 de tal modo que ele não seja correlacionado com U1 e tenha a segunda maior variância. De maneira similar para recursos ‘p’, podemos ter um máximo de PCs ‘p’ de tal forma que todos os PCs não sejam correlacionados entre si e o primeiro PC tenha a variância máxima, então o segundo PC tem a variância máxima e assim por diante.

Vídeo aula explicativa

2022-10-04 00:55:42 UTC

https://youtu.be/HfbcGPhVnRo

Definição

2022-10-04 01:00:02 UTC

É uma técnica alternativa de regressão de componentes principais quando você tem variáveis independentes altamente correlacionadas. Também é útil quando há um grande número de variáveis independentes.

Diferença entre PLS e PCR:

2022-10-04 01:02:24 UTC

Ambas as técnicas criam novas variáveis independentes chamadas componentes que são combinações lineares das variáveis preditoras originais, mas a PCR cria componentes para explicar a variabilidade observada nas variáveis preditoras, sem considerar a variável resposta. Enquanto o PLS considera a variável dependente e, portanto, muitas vezes leva a modelos que são capazes de ajustar a variável dependente com menos componentes.

Código R para regressão PLS

2022-10-04 01:03:18 UTC

library(plsdepot)
data(vehicles)
pls.model = plsreg1(vehicles[, c(1:12,14:16)], vehicles[, 13], comps = 3)
# R-Square
pls.model$R2

Definição

2022-10-04 01:36:11 UTC

Regressão Ordinal é usada para prever valores ordenados. Em palavras simples, esse tipo de regressão é adequado quando a variável dependente é ordinal por natureza. Exemplo de variáveis ordinais - Respostas da pesquisa (escala de 1 a 6), reação do paciente à dose da droga (nenhuma, leve, grave).

Por que não podemos usar a regressão linear ao lidar com a variável alvo ordinal?

2022-10-04 01:36:58 UTC

Na regressão linear, a variável dependente assume que as mudanças no nível da variável dependente são equivalentes em todo o intervalo da variável. Por exemplo, a diferença de peso entre uma pessoa com 100 kg e uma pessoa com 120 kg é de 20 kg, o que tem o mesmo significado que a diferença de peso entre uma pessoa que tem 150 kg e uma pessoa com 170 kg. Essas relações não são necessariamente válidas para variáveis ordinais.

Código R para OR

2022-10-04 01:37:40 UTC

library(ordinal)
o.model <- clm(rating ~ ., data = wine)
summary(o.model)

Vídeo aula sobre regressão por mínimos quadrados parciais

2022-10-04 01:40:41 UTC

https://youtu.be/ZkY6BlXl9U4

Conceito

2022-10-04 01:54:13 UTC

A análise de regressão linear é usada para prever o valor de uma variável com base no valor de outra. A variável que deseja prever é chamada de variável A regressão linear se ajusta a uma linha reta ou superficial que minimiza as discrepâncias entre os valores de saída previstos e reaisdependente. A variável que é usada para prever o valor de outra variável é chamada de variável independente.

FÓRMULA: Y=a+bx

Regressão Linear simples e regressão múltipla.

2022-10-04 01:57:12 UTC

Regressão não linear

2022-10-04 03:53:47 UTC

Conceito

2022-10-04 04:20:44 UTC

Regressão polinomial: Este procedimento ajusta até 10 diferente modelos de regressão para duas variáveis,sendo uma dependente e uma independente. A variável independente é expondida num polinômio até o décimo grau. Com geração de novas variáveis.

Regressão Linear.

2022-10-04 04:24:38 UTC

Modelos e formulas de regressão.

2022-10-04 04:27:20 UTC

Saiba mais da regressão polinominal.

2022-10-04 04:31:05 UTC

Conceito

2022-10-04 04:50:25 UTC

A regressão logística é uma técnica estatística que tem como objetivo produzir, a parti de um conjunto de observações, um modelo que permite a predição de valores tomados por uma ou mais variáveis categórica, frequentemente binária, em função de uma ou mais variáveis independentes contínuas ou binárias

Fórmulas

2022-10-04 04:52:23 UTC

Video complementar

2022-10-04 04:55:47 UTC

saviohaistem — 2022-10-04 11:39:42 UTC

Aula de Quasi poisson ( liink programado para iniciar no momento da explicação )

saviohaistem — 2022-10-04 11:59:33 UTC

Jognny Iago
Lívia Zilar
Luana Beatriz
Lucas Tomaz
Sávio Haistem

Orientadora

saviohaistem — 2022-10-04 12:12:29 UTC

Prof. Taynara Milene