★ À maîtriser
📌 Une valeur p < 0,05 conduit au rejet de H0, tandis qu’une valeur p ≥ 0,05 conduit à ne pas la rejeter sans prouver qu’elle est vraie.
Compléments
Dans R, <- affecte une valeur, $ accède à une colonne, # introduit un commentaire et ==, != et >= sont des opérateurs de comparaison.
Dans d[4, ], la case vide sélectionne toutes les colonnes et l’expression sélectionne la quatrième ligne.
read.table("f.txt", header=TRUE, row.names=1) utilise la première ligne comme noms de colonnes et la première colonne comme identifiants de ligne, non comme variable.
Pour obtenir un échantillon reproductible, set.seed(n) fixe le générateur, puis sample(seq_len(n), size=floor(.2*n), replace=FALSE) tire 20 % des indices sans remise.
★ À maîtriser
📌 Le test de Welch porte sur l’égalité des moyennes, tandis que le test de Wilcoxon porte sur l’égalité des distributions à partir des rangs, et non sur l’égalité des moyennes.
Pour étudier l’indépendance de deux variables qualitatives, chisq.test(tab) applique le test du chi carré et fisher.test(tab) le test exact de Fisher, adapté aux petits effectifs.
La p-valeur est la probabilité, si H0 est vraie, d’observer des données au moins aussi extrêmes que celles obtenues.
Compléments
Pour deux variables quantitatives, cor.test utilise Pearson par défaut et peut utiliser Spearman avec method="spearman".
Dans un test du chi carré d’indépendance, H0 affirme que la répartition d’une variable ne dépend pas du groupe, et les effectifs attendus devraient tous être ≥ 5.
Welch compare des moyennes, Wilcoxon des distributions
★ À maîtriser
📐 Formule - Dans le modèle linéaire simple, .
Compléments
Dans lm, y ~ 1 prédit la moyenne de y, tandis que y ~ x.1 + x.3 estime un coefficient par facteur sans interaction.
Pour un facteur qualitatif, un coefficient tel que x.3TRUE mesure l’écart par rapport au niveau de référence, les autres variables étant fixées.
★ À maîtriser
anova(petit, grand) teste, sous H0, si les coefficients ajoutés dans le modèle plus grand sont nuls.
À données identiques, ajouter un facteur ne peut pas augmenter la SCE d’apprentissage, mais cela ne garantit pas de meilleures prédictions.
Compléments
📐 Formule - Pour comparer deux modèles linéaires emboîtés, , où p désigne le nombre de coefficients.
📌 La comparaison par AIC, BIC ou AICc ne requiert pas l’imbrication des modèles, mais exige la même réponse et les mêmes observations.
★ À maîtriser
📌 Le LASSO ajoute une pénalité en valeur absolue des coefficients et peut les annuler exactement, tandis que Ridge pénalise leurs carrés et les réduit sans les annuler exactement.
📌 lambda.min correspond à l’erreur minimale de validation croisée, tandis que lambda.1se est le plus grand λ situé à une erreur-type du minimum et sélectionne généralement moins de variables.
Compléments
Dans glmnet, alpha=1 correspond au LASSO et alpha=0 à Ridge; l’intercept n’est pas pénalisé.
Lorsque λ augmente, la régularisation s’accentue et le LASSO tend à produire davantage de coefficients nuls.
📌 glmnet exige une matrice de prédicteurs et inclure la variable réponse dans cette matrice constitue une fuite de cible.
LASSO annule, Ridge réduit
★ À maîtriser
Pour classifier avec lm, on ajuste le modèle sur une réponse codée en 0/1, on prédit un score, puis on attribue une classe selon le seuil choisi.
Le score prédit par lm peut sortir de l’intervalle [0,1] et ne doit donc pas être interprété comme une probabilité.
Compléments
Avec un seuil de 0,5, un score ≥ 0,5 est classé dans la classe codée 1 et un score inférieur dans la classe codée 0.
Dans une matrice de confusion, les lignes correspondent aux classes observées, les colonnes aux classes prédites et la diagonale aux classifications correctes.
La frontière de décision d’un modèle linéaire à deux prédicteurs est définie par β₀+β₁x₁+β₂x₂=0,5.
★ À maîtriser
📌 L’ensemble d’apprentissage sert à ajuster le modèle, la validation ou la validation croisée à choisir le modèle, λ ou le seuil, et le test à l’évaluation finale.
📌 Le jeu de test doit être utilisé une seule fois et aucune modification du modèle ou du seuil ne doit être faite après consultation de ses résultats.
Compléments
Évaluer sur des individus déjà utilisés pour l’apprentissage fausse l’évaluation de la généralisation.
En validation croisée à k plis, le modèle est ajusté sur k−1 plis et prédit le pli restant, à tour de rôle.
📌 Standardiser les prédicteurs à partir de l’ensemble complet avant la partition constitue une fuite d’information, tandis que calculer les carrés des variables avant la partition est indiqué comme acceptable.
Train ajuste, validation choisit, test évalue une seule fois
★ À maîtriser
📐 Formule - En régression logistique, et .
La régression logistique estime ses coefficients par maximum de vraisemblance et produit une probabilité comprise entre 0 et 1 sans exiger la normalité des résidus.
La sensibilité vaut VP/(VP+FN), la spécificité VN/(VN+FP), la précision VP/(VP+FP) et l’exactitude (VP+VN)/N.
Diminuer le seuil augmente la sensibilité et diminue la spécificité, tandis qu’augmenter le seuil réduit les faux positifs et augmente les faux négatifs sans modifier le modèle.
Compléments
Dans glm, predict(..., type="link") renvoie η et predict(..., type="response") renvoie la probabilité p.
Un coefficient logistique positif signifie que, toutes les autres variables étant fixées, une hausse du prédicteur augmente la probabilité de la classe codée 1.
Une courbe ROC représente la sensibilité en fonction de 1−spécificité pour différents seuils, et son coin supérieur gauche correspond à la classification idéale.
Seuil ↓ → sensibilité ↑ et spécificité ↓
★ À maîtriser
Compléments
Le R² de summary(lm) représente la part de variance expliquée et le R² ajusté tient compte du nombre de facteurs.
Dans la sortie de t.test, l’intervalle de confiance à 95 % de la différence de moyennes excluant 0 correspond à p < 0,05 pour le test associé.
Dans summary(glm), les coefficients sont exprimés sur l’échelle du log de la cote, et les tests associés utilisent les statistiques z et leurs p-valeurs.
★ À maîtriser
📌 Une association statistique ne démontre pas une causalité, car une confusion ou une causalité inverse peut expliquer l’association observée.
Compléments
Avec un grand échantillon, un résultat statistiquement significatif peut correspondre à un effet de faible importance, qu’il faut évaluer par son ampleur.
Un coefficient partiel dépend des autres facteurs inclus dans le modèle, particulièrement lorsque les prédicteurs sont corrélés.
Une étude rétrospective ne permet pas à elle seule d’établir la prévalence, la causalité ou la capacité de prédiction prospective.
Teste tes connaissances sur Apprentissage statistique avec R avec 28 questions à choix multiples et corrections détaillées.
1. Lors d’un test, une analyste obtient une valeur au seuil de 5 %. Quelle conclusion doit-elle tirer concernant ?
2. Un fichier tabulé contient une première ligne d’en-têtes et une première colonne d’identifiants. Quel sera le rôle de ces colonnes avec `read.table("f.txt", header=TRUE, row.names=1)` ?
Mémorisez les concepts clés de Apprentissage statistique avec R avec 80 flashcards interactives.
Que conclure si une valeur p est inférieure à 0,05 ?
Rejeter H0.
Que signifie une valeur p supérieure ou égale à 0,05 pour H0 ?
On ne rejette pas H0, sans prouver qu’elle est vraie.
Quelle fonction R réalise le test de Welch pour comparer deux groupes quantitatifs ?
`t.test(a,b)`.
Importe ton cours et l'IA génère fiches, QCM et flashcards en 30 secondes.
Générateur de fiches