Régression linéaire robuste
La régression linéaire robuste ajuste un modèle linéaire entre les prédicteurs et une variable de réponse continue, tout en réduisant le poids ou en écartant les valeurs aberrantes influentes, empêchant ainsi les quelques observations anormales auxquelles la méthode des moindres carrés ordinaires (MCO) est notoirement sensible de fausser la droite estimée dans son ensemble. Les variantes principales incluent la régression de Huber, les moindres carrés itérativement repondérés (IRLS), RANSAC et l'estimation de Theil-Sen.
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.
+1 more
Sources
- Huber, P. J. (1964). Robust Estimation of a Location Parameter. Annals of Mathematical Statistics, 35(1), 73–101. DOI: 10.1214/aoms/1177703732 ↗
- Rousseeuw, P. J. & Leroy, A. M. (1987). Robust Regression and Outlier Detection. Wiley. ISBN: 978-0-471-85233-9
Comment citer cette page
ScholarGate. (2026, June 3). Robust Linear Regression (Outlier-Resistant Estimation). ScholarGate. https://scholargate.app/fr/machine-learning/robust-linear-regression
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.
- Régression de HuberStatistique↔ compare
- Régression LassoApprentissage automatique↔ compare
- Régression linéaire (ML)Apprentissage automatique↔ compare
- Régression quantileÉconométrie↔ compare
- Régression linéaire régulariséeApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →