Dans ce module, vous explorerez plusieurs outils de sélection de modèles. Ces outils permettent de limiter le nombre de modèles candidats afin que vous puissiez choisir un modèle approprié basé sur votre expertise et vos priorités de recherche.

Dans ce module, vous apprenez à vérifier les hypothèses du modèle et à diagnostiquer les problèmes que vous rencontrez dans la régression linéaire. Vous apprenez à examiner les résidus, à identifier les valeurs aberrantes qui sont numériquement éloignées de l'ensemble des données et à identifier les observations influentes qui affectent indûment le modèle de régression. Enfin, vous apprenez à diagnostiquer la colinéarité afin d'éviter les erreurs standard gonflées et l'instabilité des paramètres dans le modèle.

Dans ce module, vous apprenez à passer des statistiques inférentielles à la modélisation prédictive. Au lieu d'utiliser les valeurs p, vous apprenez à évaluer les modèles à l'aide d'une évaluation honnête. Après avoir choisi le modèle le plus performant, vous apprenez à déployer le modèle pour prédire de nouvelles données.

Dans ce module, vous recherchez des associations entre des prédicteurs et une réponse binaire à l'aide de tests d'hypothèse. Vous construisez ensuite un modèle de régression logistique et apprenez à caractériser la relation entre la réponse et les prédicteurs. Enfin, vous apprenez à utiliser la régression logistique pour construire un modèle, ou classificateur, afin de prédire des cas inconnus.