Flashcards : Régression linéaire Ridge — 51 cartes

Toutes les cartes

1Question

Quelle est la forme du modèle linéaire multiple ?

Réponse

Yj=β0+β1xj,1+⋯+βpxj,p+εjY_j=\beta_0+\beta_1x_{j,1}+\cdots+\beta_px_{j,p}+\varepsilon_j

2Question

Quelles sont les propriétés des erreurs dans le modèle linéaire multiple ?

Réponse

Elles sont centrées, indépendantes, identiquement distribuées avec variance σ2\sigma^2.

3Question

Comment s'écrit le modèle linéaire sous forme vectorielle ?

Réponse

Y=Xβ+εY=X\beta+\varepsilon avec une matrice augmentée d'une colonne de 1.

4Question

Que minimise l'estimateur des moindres carrés ordinaires (MCO) ?

Réponse

La somme des carrés des résidus.

5Question

Quelle est la formule de l'estimateur MCO ?

Réponse

β^MCO=arg⁡min⁡z∥Y−Xz∥2\hat\beta_{MCO}=\arg\min_z\|Y - Xz\|^2

6Question

Quelle condition permet d'inverser XTXX^TX pour calculer l'estimateur MCO ?

Réponse

XTXX^TX doit être inversible.

7Question

Quelle est la formule explicite de l'estimateur MCO si XTXX^TX est inversible ?

Réponse

β^MCO=(XTX)−1XTY\hat\beta_{MCO} = (X^TX)^{-1} X^T Y

8Question

Quelle propriété d'estimateur possède l'estimateur MCO parmi les estimateurs linéaires sans biais ?

Réponse

Il possède la variance minimale.

9Question

Quelle est la formule de la variance de l'estimateur MCO ?

Réponse

Var⁡(β^MCO)=σ2(XTX)−1\operatorname{Var}(\hat\beta_{MCO})=\sigma^2(X^TX)^{-1}

10Question

Quel effet a une forte colinéarité entre régresseurs sur la variance de l'estimateur MCO ?

Réponse

Elle rend la variance importante.

11Question

Quel impact la multicolinéarité a-t-elle sur les prévisions de l'estimateur MCO ?

Réponse

Elle dégrade les prévisions.

12Question

Quelle est la valeur de la corrélation entre taux de goudron et taux de nicotine dans le jeu cigarette ?

Réponse

0,96

13Question

Quelles sont les normes utilisées pour des variables centrées et réduites ?

Réponse

Les normes ∥β∥1\|\beta\|_1 et ∥β∥2\|\beta\|_2.

14Question

Comment se calcule la constante MCO lorsque les variables explicatives sont centrées ?

Réponse

Elle est égale à la moyenne de la réponse.

15Question

Comment s'estime les pentes avec des variables explicatives centrées ?

Réponse

Sans terme de centrage supplémentaire.

16Question

Quelle est la condition sur les variables explicatives dans la suite du cours ?

Réponse

Elles sont centrées et réduites.

17Question

Quelle est la condition sur la variable réponse dans la suite du cours ?

Réponse

Elle est centrée.

18Question

Pourquoi la constante n’est-elle pas modélisée dans la suite du cours ?

Réponse

Parce que les variables explicatives sont centrées et réduites et la réponse est centrée.

19Question

Qu'ajoute la régression Ridge au critère des moindres carrés ?

Réponse

Une contrainte sur la norme euclidienne des coefficients.

20Question

Quelle est la formule mathématique de l'estimateur Ridge ?

Réponse

β^Ridge=arg⁡min⁡z∥Y−Xz∥22sous∥z∥22≤t\hat\beta_{Ridge}=\arg\min_z\|Y-Xz\|_2^2\quad\text{sous}\quad\|z\|_2^2\le t.

21Question

Que se passe-t-il si le seuil t dépasse ∥β^MCO∥22\|\hat\beta_{MCO}\|_2^2 ?

Réponse

L'estimateur Ridge coïncide avec l'estimateur MCO.

22Question

Quel estimateur obtient-on pour t=0 en régularisation Ridge ?

Réponse

Un estimateur nul.

23Question

Quel est l'effet de la régularisation Ridge sur les coefficients estimés ?

Réponse

Elle réduit leurs plages de valeurs pour limiter leur dépendance aux données.

24Question

Quelle est la formulation pénalisée de l'estimateur Ridge ?

Réponse

β^λ=arg⁡min⁡z{∥Y−Xz∥22+λ∥z∥22}\hat\beta_\lambda=\arg\min_z\{\|Y-Xz\|_2^2+\lambda\|z\|_2^2\} avec λ>0\lambda>0.

25Question

Quelle est la solution explicite de l'estimateur Ridge ?

Réponse

β^λ=(XTX+λIp)−1XTY\hat\beta_\lambda=(X^TX+\lambda I_p)^{-1}X^TY.

26Question

Pourquoi la matrice XTX+λIpX^TX+\lambda I_p est-elle inversible pour λ>0\lambda>0 ?

Réponse

Parce que XTX+λIpX^TX+\lambda I_p est toujours inversible même si XTXX^TX ne l'est pas.

27Question

Quelle propriété garantit l'existence de l'estimateur Ridge ?

Réponse

L'inversibilité de XTX+λIpX^TX+\lambda I_p pour λ>0\lambda>0 garantit son existence.

28Question

L'estimateur Ridge est-il biaisé ?

Réponse

Oui, il est biaisé.

29Question

Quelle est l'espérance de l'estimateur Ridge ?

Réponse

E(β^λ)=(XTX+λIp)−1XTXβE(\hat\beta_\lambda)=(X^TX+\lambda I_p)^{-1}X^TX\beta.

30Question

Comment la variance de l'estimateur Ridge se compare-t-elle à celle des MCO ?

Réponse

La variance de Ridge est inférieure à celle des MCO lorsque ceux-ci existent.

31Question

Quelle est la formule du critère de validation croisée généralisée GCV(λ) ?

Réponse

GCV(λ)=∥Y−A(λ)Y∥2(trace⁡(In−A(λ)))2/nGCV(\lambda)=\frac{\|Y-A(\lambda)Y\|^2}{(\operatorname{trace}(I_n-A(\lambda)))^2/n}

32Question

Comment s'exprime la matrice A(λ)A(\lambda) dans le critère GCV ?

Réponse

A(λ)=X(XTX+λIp)−1XTA(\lambda)=X(X^TX+\lambda I_p)^{-1}X^T

33Question

Quelle méthode choisit la pénalité optimale en utilisant GCV ?

Réponse

On évalue GCV sur une grille λ1,…,λq\lambda_1,\ldots,\lambda_q et on retient la valeur qui minimise ce critère.

34Question

Quelle est l'erreur de prévision du modèle complet dans le jeu de données cigarette ?

Réponse

L'erreur de prévision est de 1,312.

35Question

Quelle erreur de prévision obtient le modèle réduit sur le jeu de données cigarette ?

Réponse

L'erreur de prévision est de 1,155.

36Question

Quelle est l'erreur de prévision du modèle Ridge dans le jeu de données cigarette ?

Réponse

L'erreur de prévision est de 1,302.

37Question

Qui a proposé le critère de validation croisée généralisée pour choisir un bon paramètre de Ridge ?

Réponse

Golub et al., dans "Generalized cross-validation as a method for choosing a good ridge parameter", 1979.

38Question

Comment s'écrit la décomposition SVD d'une matrice X ?

Réponse

X=UDVTX=UDV^T avec U colonnes orthonormées, D diagonale, V orthogonale.

39Question

Que donne la décomposition SVD pour XTXX^TX ?

Réponse

XTX=VD2VTX^TX=VD^2V^T.

40Question

Que représentent les valeurs diagonales de D en SVD ?

Réponse

Les racines carrées des valeurs propres de XTXX^TX.

41Question

Comment s'écrit l'inverse Sλ−1S_\lambda^{-1} avec la SVD ?

Réponse

Sλ−1=V(D2+λIp)−1VTS_\lambda^{-1}=V(D^2+\lambda I_p)^{-1}V^T.

42Question

Que revient à inverser dans Sλ−1S_\lambda^{-1} ?

Réponse

Inverser une matrice diagonale.

43Question

Comment s'écrit la matrice de lissage A(λ)A(\lambda) ?

Réponse

A(λ)=UΔλUTA(\lambda)=U\Delta_\lambda U^T.

44Question

Quelle est la forme de Δλ\Delta_\lambda dans la matrice de lissage ?

Réponse

Δλ=diag⁡(d12d12+λ,…,dp2dp2+λ)\Delta_\lambda=\operatorname{diag}\left(\frac{d_1^2}{d_1^2+\lambda},\ldots,\frac{d_p^2}{d_p^2+\lambda}\right).

45Question

Quelle formule donne le coefficient Ridge β^jridge\hat\beta^{ridge}_j en fonction de α^jridge\hat\alpha^{ridge}_j et sjs_j ?

Réponse

β^jridge=α^jridgesj\hat\beta^{ridge}_j=\hat\alpha^{ridge}_j s_j

46Question

Comment s'exprime le coefficient intercept Ridge β^0ridge\hat\beta^{ridge}_0 ?

Réponse

β^0ridge=mY−∑j=1pα^jridgemjsj\hat\beta^{ridge}_0=m_Y-\sum_{j=1}^p \hat\alpha^{ridge}_j \frac{m_j}{s_j}

47Question

Quelle est la première étape pratique dans la mise en œuvre de la régression Ridge ?

Réponse

Calculer les moyennes et écarts-types des variables.

48Question

Que fait-on après avoir centré-réduit les variables dans la régression Ridge ?

Réponse

On estime Ridge sur ces données centrées-réduites.

49Question

Que fait-on après avoir estimé Ridge sur les données centrées-réduites ?

Réponse

On transforme les coefficients vers les unités originales.

50Question

Quelle différence principale existe entre la régression Ridge et une sélection de variables ?

Réponse

Ridge conserve tous les régresseurs même corrélés, la sélection en élimine certains.

51Question

Que fournit la régression Ridge lorsque le nombre de régresseurs dépasse la taille de l’échantillon ?

Réponse

Une solution unique que MCO ne peut pas fournir.

Teste-toi avec le QCM

Teste tes connaissances avec un QCM de 23 questions sur Régression linéaire Ridge.

1. Comment sélectionne-t-on une pénalité Ridge à l’aide de la validation croisée généralisée ?

2. Quelle contrainte caractérise la formulation contrainte de la régression Ridge ?

Faire le QCM →

Consultez la fiche

Révisez le cours complet dans la fiche de révision de Régression linéaire Ridge.

Voir la fiche →

Cours similaires

Crée tes propres flashcards

Importe ton cours et l'IA génère des flashcards en 30 secondes.

Générateur de flashcards