Super Morgan, ce sont des modèles que j'avais déja utiliser mais sans vraiment avoir la justification mathématique.... T'as trouver le bon milieu entre complexe et vulgarisation !
Bonjour je me trompe peut être mais j'ai l'impression que le coefficient au carre de la pénalisation Ridge fait tendre vers 0 l'impacte des features de coefficient inferieur à 1 et augmente l'impacte des features de coefficient supérieur à 1. Par ailleurs, le coefficient en valeur absolue de la penalisation Lasso permet justement d'homogenéiser l'impacte des features. En résumé, je comprends l'inverse de ce que vous expliquez à 9:05 😬😬. Je sais que vous avez posté cette video il y a plus de deux ans mais je serais très reconnaissante de recevoir une réponse de votre part. En tout cas, je vous remercie, cette formation est très enrichissante et j'apprends beaucoup !
Ce qu'il faut regarder ce ne sont pas l'expression de Ridge et Lasso mais l'expression de leur dérivé partielle pour savoir ou les coefficients converges. Ridge garde bien des coefficients homogènes tandis que Lasso va faire tendre ceux qui ont le moins d'importances vers 0.
@@AIforyouMorganGautherot D'accord alors la mise a jour des coefficients avec la derivée partielle de l'expression de Ridge est w_j = w_j - α* coût - λ*w_j et avec la derivée partielle de l'expression de Lasso est w_j = w_j - α* coût - λ*signe(w_j). La pénalité Ridge, met a jour chaque coeff en fonction de sa taille et de l'inverse de son signe fois un λ . L'ajout de - λ*w_j a l'expression de base ne prend pas en compte les autres coefficients w pour homogénéiser chaque w_j en fonction des autres w. J'aurais parlé d'homogénéité si c'etait - λ*mean(w) qu'on avait. Pour la pénalité Lasso, on met a jour chaque coeff en fonction de l'inverse de son signe seulement, donc si wj est positif, on va le diminuer de -λ et si wj est negatif, on va l'augmenter de +λ, il n' a donc pas de penalité pour des coefficients w plus petits que d'autres.
PS : Je ne remets pas en question ce que vous dites car je l'observe bien en affichant les valeurs des coefficients dans les notebooks de regression logistique et linéaire pénalisée avec sk learn (on a bien avec Lasso de plus en plus de coeff nuls en augmentant alpha et avec Ridge un ensemble de valeurs plus homogène). C'est uniquement mathématiquement que je ne comprends pas comment ca se produit.
Est ce que c'est valable de l'utiliser dans le domaine bancaire, sachant que j'ai la variable dépendante ROA d'une seule banque pour une période de 3 ans et j'ai plusieurs variables explicatives. Stp oriente moi vers la méthode adéquate
T'es vraiment trop chaud en explication, merci boy
Ah ah merci :)
Super Morgan, ce sont des modèles que j'avais déja utiliser mais sans vraiment avoir la justification mathématique.... T'as trouver le bon milieu entre complexe et vulgarisation !
Merci pour ton retour, ça me fait plaisir de voir que mes vidéos peuvent aider 😋
Merci pour tes explications claires et simple
Merci pour ton retour, ça fait plaisir :)
Merci Morgan pour ces explications claires et concises
De rien c'était un plaisir :)
Merci pour tes explications vraiment claires !
De rien, c'est un plaisir de créer ces contenus !
Bonjour je me trompe peut être mais j'ai l'impression que le coefficient au carre de la pénalisation Ridge fait tendre vers 0 l'impacte des features de coefficient inferieur à 1 et augmente l'impacte des features de coefficient supérieur à 1. Par ailleurs, le coefficient en valeur absolue de la penalisation Lasso permet justement d'homogenéiser l'impacte des features. En résumé, je comprends l'inverse de ce que vous expliquez à 9:05 😬😬. Je sais que vous avez posté cette video il y a plus de deux ans mais je serais très reconnaissante de recevoir une réponse de votre part. En tout cas, je vous remercie, cette formation est très enrichissante et j'apprends beaucoup !
Ce qu'il faut regarder ce ne sont pas l'expression de Ridge et Lasso mais l'expression de leur dérivé partielle pour savoir ou les coefficients converges.
Ridge garde bien des coefficients homogènes tandis que Lasso va faire tendre ceux qui ont le moins d'importances vers 0.
@@AIforyouMorganGautherot D'accord alors la mise a jour des coefficients avec la derivée partielle de l'expression de Ridge est w_j = w_j - α* coût - λ*w_j et avec la derivée partielle de l'expression de Lasso est w_j = w_j - α* coût - λ*signe(w_j). La pénalité Ridge, met a jour chaque coeff en fonction de sa taille et de l'inverse de son signe fois un λ . L'ajout de - λ*w_j a l'expression de base ne prend pas en compte les autres coefficients w pour homogénéiser chaque w_j en fonction des autres w. J'aurais parlé d'homogénéité si c'etait - λ*mean(w) qu'on avait. Pour la pénalité Lasso, on met a jour chaque coeff en fonction de l'inverse de son signe seulement, donc si wj est positif, on va le diminuer de -λ et si wj est negatif, on va l'augmenter de +λ, il n' a donc pas de penalité pour des coefficients w plus petits que d'autres.
PS : Je ne remets pas en question ce que vous dites car je l'observe bien en affichant les valeurs des coefficients dans les notebooks de regression logistique et linéaire pénalisée avec sk learn (on a bien avec Lasso de plus en plus de coeff nuls en augmentant alpha et avec Ridge un ensemble de valeurs plus homogène). C'est uniquement mathématiquement que je ne comprends pas comment ca se produit.
merci beaucoup pour ces explications claires
De rien, c'était un plaisir :)
Merci, la vidéo était très claire !!
Génial, merci pour ton retour :p
Merci beaucoup c'est très clair maintenant
De rien, je suis content si ça a pu t'aider :)
j'ai découvert ta chaine sur linkedin, belle surprise 😃
Merci, ton commentaire me fait vraiment super plaisir.
J'espère que les prochaines vidéos continueront de te plaire 😋
Bien instructif
Merci, j'espère que la suite de la formation te plaira tout autant :)
génial!! merci!!!
De rien, content si ça a pu t'aider :)
Est ce que c'est valable de l'utiliser dans le domaine bancaire, sachant que j'ai la variable dépendante ROA d'une seule banque pour une période de 3 ans et j'ai plusieurs variables explicatives. Stp oriente moi vers la méthode adéquate
Oui, cette méthode peut être appliqué :)
On entend beaucoup mieux ta voix sur cette video que sur les précédentes
Merci, j'essaie d'améliorer la qualité vidéo par vidéo.
Pas évident mais bon j'espère que ça va se voir au bout d'un moment ^^
@@AIforyouMorganGautherot j'ai oublié de rajouter que tu es un super enseignant !
@@MsBowner Ha ha merci, ça faire super plaisir :p