La procédure Processus gaussiens implémente une méthode d’apprentissage machine pour prévoir des observations à partir de données. Les processus gaussiens reposent sur l’hypothèse que les observations adjacentes s’informent mutuellement. Plus précisément, il est supposé que les variables observées suivent une loi normale et que leur couplage s’effectue par l’intermédiaire de la matrice de covariance d’une distribution normale.
La procédure crée des modèles de deux formes :
Modèles de classement qui divisent des observations en classes en se basant sur les caractéristiques observées.
Modèles de régression qui prévoient la valeur d’une variable cible.
Les observations sont classiquement divisées en trois jeux : un jeu d’apprentissage utilisé pour construire le modèle, un jeu de validation, pour lequel la classe ou la valeur est connue, utilisé pour valider le modèle et un jeu de prévision, pour lequel la classe ou la valeur n’est pas connue, utilisé pour faire les prévisions désirées.
La variable cible et les caractéristiques prédictives peuvent être qualitatives ou quantitatives.
Les variables quantitatives sont automatiquement centrées et réduites.
Cette procédure est basée sur le package R ‘kernlab’.
Tableaux
Paramètres et erreurs
Importance des variables explicatives
Valeurs observées, prévues et probabilités (classement, apprentissage)
Nous utilisons des cookies pour vous garantir la meilleure expérience sur notre site web. Si vous continuez à utiliser ce site, nous supposerons que vous en êtes satisfait.
