Tavoitteet
Kurssin jälkeen opiskelija hallitsee useita perinteisten lineaarisiin ja yleistettyihin lineaarisiin malleihin liitettäviä menetelmiä ja laajennuksia. Näitä ovat mm.:
- Ennusteiden muodostaminen, tappiofunktion ja ennustemallin valinta
- Ristiinvalidointi ja bootstrapin perusteet
- Luokitteluun pohjautuvat mallit: Logistinen regressiomalli ja lineaarinen diskriminanttianalyysi (erotteluanalyysi)
- Mallin kutistamismenetelmät, kuten harjanne (ridge)- ja lasso-regressiomallit sekä laajennetut mallinvalintaa koskevat tarkastelut.
- Epäparametriset regressiofunktiot ja epälineaariset regressiomallit
Kurssin jälkeen opiskelija hallitsee useita perinteisten lineaarisiin ja yleistettyihin lineaarisiin malleihin liitettäviä menetelmiä ja laajennuksia. Näitä ovat mm.:
- Ennusteiden muodostaminen, tappiofunktion ja ennustemallin valinta
- Ristiinvalidointi ja bootstrapin perusteet
- Luokitteluun pohjautuvat mallit: Logistinen regressiomalli ja lineaarinen diskriminanttianalyysi (erotteluanalyysi)
- Mallin kutistamismenetelmät, kuten harjanne (ridge)- ja lasso-regressiomallit sekä laajennetut mallinvalintaa koskevat tarkastelut.
- Epäparametriset regressiofunktiot ja epälineaariset regressiomallit
- Opettaja
Henri Nyberg