Régression avec R: 3ème édition

Cet ouvrage présente de manière détaillée, avec des exemples à l’appui, différentes manières d’aborder l’un des problèmes statistiques les plus fréquents : la régression. Cette nouvelle édition se divise en cinq parties. Dans la première, vous découvrirez les grands principes des régressions simple et multiple par moindres carrés. Les fondamentaux de cette méthode, tant les choix effectués que les hypothèses et leur utilité, sont clairement expliqués.

La deuxième partie se concentre sur l’inférence et vous propose les outils nécessaires pour vérifier les hypothèses mises en œuvre. Vous y trouverez également des techniques d’analyse de la variance et de la covariance. La troisième partie aborde la question de la grande dimension. Elle propose diverses méthodes de réduction de dimension, telles que la sélection de variables et les régressions sous contraintes (lasso, elasticnet ou ridge), ainsi que les régressions sur composantes (PLS ou PCR).

Un chapitre final présente des algorithmes basés sur des méthodes de rééchantillonnage, comme l’apprentissage/validation ou la validation croisée, afin de comparer toutes ces techniques. La quatrième partie se penche sur les modèles linéaires généralisés, en mettant l’accent sur les régressions logistique et de Poisson, qu’elles soient régularisées ou non. Une section particulière y est dédiée aux comparaisons de méthodes en classification supervisée. Vous y découvrirez des critères de performance pour évaluer des individus, comme les courbes ROC et lift, ainsi que des stratégies de choix de seuil (Youden, macro F1…) pour les classer.

Ces concepts sont ensuite appliqués à des données réelles pour sélectionner une méthode de prévision parmi plusieurs algorithmes basés sur des modèles logistiques, qu’ils soient régularisés ou non. Une dernière section aborde le problème des données déséquilibrées, souvent rencontré en régression binaire.

Enfin, la dernière partie présente l’approche non paramétrique à travers les splines, les estimateurs à noyau et les méthodes des plus proches voisins. Les auteurs font preuve d’un réel souci pédagogique, fort de leur expérience d’enseignement auprès de publics variés. Les résultats exposés sont replacés dans une perspective d’utilité pratique grâce à l’analyse d’exemples concrets. Les commandes pour traiter les exemples sous R figurent dans le texte. Chaque chapitre est également complété par une série d’exercices corrigés. Vous trouverez les codes, les données et les corrections des exercices sur le site https://regression-avec-r.github.io/.

Cet ouvrage s’adresse principalement aux étudiants de Master et d’écoles d’ingénieurs, ainsi qu’aux chercheurs dans divers domaines des sciences appliquées.