SF2930 · Kungliga Tekniska högskolan
Regressionsanalys
8 tentor7 ämnen
Kursinnehåll
Biased regression methods
9 uppgifter
CART & GLM
2 uppgifter
Multicollinearity
4 uppgifter
Multiple linear regression
9 uppgifter · 1 teorikapitel
Simple linear regression
7 uppgifter
Vad ingår?
0 uppgifter
Sorterat efter ämne och svårighet, direkt från tentor.
8 tentor med lösningar
Alla tidigare tentor samlade, öva på riktiga examensfrågor.
AI-handledare (KAI)
Få steg-för-steg-hjälp dygnet runt, skräddarsydd för den här kursen.
0 studieplaner
Personliga studieplaner som anpassar sig till dina framsteg.
Generera tester
Skapa anpassade övningstester baserat på ämne och svårighet.
Framstegsanalys
Se vad du vet, vad du behöver granska och vad som finns kvar.
HP
7.5
Språk
Svenska
Nivå
Avancerad nivå
Institution
SCI/Matematik
Lärandemål
- Formulera och tillämpa statistisk regressionsteori
- Formulera och tillämpa avancerade metoder inom statistisk regressionsmodellering
- Designa och implementera avancerade metoder inom regressionsanalys för tillämpningar
Kursinnehåll
Kursen börjar med modellanpassning, inferens och prediktion för enkla och multipla linjära regressionsmodeller. Särskild uppmärksamhet ägnas åt diagnostiska strategier som är viktiga komponenter för bra modellpassning. Ytterligare ämnen inkluderar transformer och viktningar för att korrigera modellbrister, multikollinearitet -problemet, variabelselektion och modellbyggnadsteknik. Senare i kursen presenteras några generella strategier för regressionsmodellering med särskild inriktning på de generaliserade linjära modellerna (GLM) med hjälp av exemplen med binära och andra kategoriska responsvariabler. Eftersom insamling av högdimensionella data, med storleksordningen mycket större än vad som krävs för den klassiska regressionsteorin, är numera en regel snarare än undantag (t.ex. inom informationsteknologi, finans, genetik och astrofysik, för att bara nämna några), presenteras regression metoder som tillgodoser sådan data. Tyngdpunkten ligger på regulariseringsmetoder (Ridge, Lasso- och Elastic-Net regression), liksom metoder som använder härledda inmatningsriktningar (principalkomponentsregression och partiell minsta-kvadrat) som gör det möjligt att dämpa statistisk variation i högdimensionella skattnings- och prediktions problem. Ett antal statistiska inlärningsmetoder med fokus på datorbaserade/datorintensiva algoritmer presenteras från regressionsperspektivet. Datorbaserade projekt reella dataproblem utgör en viktig lärandeaktivitet.
Litteratur
Saknas
Liknande kurser vid andra universitet
Gör som 15 000+ studenter och ta kontroll över ditt tentaplugg.
Kom igång gratis