Comment filtrer facilement les éléments non significatifs de nombreux facteurs (~ 200 colonnes) avant d'effectuer une régression multiple.J'ai plusieurs facteurs (~ 200 colonnes) et une réponse, j'ai plusieurs mesures.
La plupart de ces facteurs montrent une colinéarité entre eux, existe-t-il un moyen simple d'effectuer un premier filtre des facteurs non pertinents ?
Ensuite, dans le reste, j'effectuerai une régression multiple.
Modélisation prédictive et apprentissage automatiqueRe: How to screen easily the non significant of many factors(~200 columns) before to perform a mulitple regression.Bonjour,
Pour classer des paramètres pour une variable réponse vous pouvez utiliser plusieurs outils :
- Criblage des régresseurs
- Criblage des réponses
Il se peut que les deux outils ne donnent pas les mêmes résultats. Dans ce cas, cela veut peut être dire qu’il existe des termes « cachés » qui ne sont pas explicites dans le modèle : des termes quadratiques, des termes croisés.
D’une autre part, vous pouvez utiliser la régression des moindres carrés (modèle linéaire), si vous souhaitez avoir une formule de prédiction. Avec cette méthode, vous pouvez construire votre modèle pas à pas, en supprimant les paramètres qui n’ont pas d’impact sur votre modèle.
Re : Comment filtrer facilement les éléments non significatifs de nombreux facteurs (~ 200 colonnes) avant d'effectuer une régression multiple.Salut @Perpignan_italy ,
Si vous souhaitez mettre en évidence les facteurs qui contribuent le plus à votre réponse, le Dépistage des prédicteurs (jmp.com) La plateforme semble être une bonne première étape d’exploration.
Comme il est basé sur Random Forest, il permettra de tester « de manière égale » chaque facteur/caractéristique, même en présence de multicolinéarité.
Si vous souhaitez créer un modèle basé sur les prédicteurs les plus importants et utiliser un modèle de régression, vous devrez peut-être choisir un modèle adéquat (pénalisé comme la régression Lasso, Ridge ou Elastic Net, ou d'autres modèles de régression comme les moindres carrés partiels, ... ) ou effectuez un prétraitement (avec analyse en composantes principales et réalisation de la régression sur les composantes principales) afin de prendre correctement en compte la multicolinéarité dans votre modèle.
Vous pouvez également utiliser des modèles simples capables de gérer la multicolinéarité et avec moins d'hypothèses (comme l'arbre de décision de la plateforme Modèles de partitions (jmp.com) ) une fois vos prédicteurs sélectionnés.
J'espère que cette réponse vous aidera,
Re : Comment filtrer facilement les éléments non significatifs de nombreux facteurs (~ 200 colonnes) avant d'effectuer une régression multiple.Merci beaucoup, je vais essayer votre suggestion.
