Splines de régression et de lissage
Les splines de régression modélisent une relation non linéaire en ajustant des polynômes par morceaux qui se raccordent de manière lisse en un ensemble de points appelés nœuds. Les splines cubiques et naturelles sont les plus courantes, et les splines de lissage ajoutent une pénalité de rugosité qui équilibre automatiquement l'ajustement et la douceur. Les splines sont le bloc de construction flexible standard pour la régression non linéaire univariée et la base des modèles additifs généralisés.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- Eilers, P. H. C., & Marx, B. D. (1996). Flexible smoothing with B-splines and penalties. Statistical Science, 11(2), 89–121. DOI: 10.1214/ss/1038425655 ↗
- Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning (2nd ed.). Springer. ISBN: 978-0-387-84857-0
Comment citer cette page
ScholarGate. (2026, June 2). Regression and Smoothing Splines. ScholarGate. https://scholargate.app/fr/machine-learning/regression-splines
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Modèle additif généralisé (GAM)Apprentissage automatique↔ compare
- Régression locale LOESS / LOWESSApprentissage automatique↔ compare
- Splines adaptatives multivariées (MARS)Apprentissage automatique↔ compare
- Régression polynomialeStatistique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →