L'action glm propose une panoplie de diagnostics de régression via le paramètre output. Vous pouvez générer des statistiques d'influence critiques telles que la distance de Cook (cooksD), les résidus studentisés (rStudent) ou l'effet de levier (h). Ces indicateurs permettent aux architectes de données de détecter les observations atypiques ou aberrantes qui pourraient biaiser les prévisions de l'entreprise, garantissant ainsi un plan de données sain et des décisions basées sur une réalité statistique stable.
Comment garantir la robustesse de vos modèles face aux observations extrêmes ?
Cette réponse vous a-t-elle aidé ?
Exemples pour l'action glm
Régression linéaire basique
Ajustement d'un modèle simple pour prédire le prix en fonction de la surface.
Régression complète avec sélection de variables et diagnostics
Cet exemple utilise une sélection Stepwise, inclut une variable de classification, calcule les diagnostics de colinéarité (VIF) et génère une table de sortie avec les prédictions.

