Qu'est-ce Que la Régression Linéaire
Concepts de base
La régression est une tâche d'apprentissage supervisé qui consiste à prédire une valeur numérique (par exemple, le prix d'une maison), appelée cible, à partir d'un ensemble de variables d'entrée (par exemple, la taille, l'âge, l'emplacement, etc.), appelées caractéristiques.
Pour entraîner le modèle, il est nécessaire de fournir de nombreux exemples de telles maisons, comprenant à la fois les caractéristiques et la cible. L'ensemble d'exemples utilisé pour entraîner le modèle est appelé ensemble d'entraînement.
Le modèle le plus simple capable d'effectuer des tâches de régression est la régression linéaire. Considérez ce nuage de points affichant la taille d'une personne et celle de son père.
Fonctionnement
La régression linéaire simple consiste simplement à ajuster une droite aux données de sorte que la ligne soit aussi proche que possible des points de données.
Prédictions
Il est alors possible d'utiliser cette droite pour prédire la variable cible pour un nouveau point.
Par exemple, supposons que l'on souhaite prédire la taille d'une personne dont le père mesure 63,5 pouces. Il suffit de choisir un point sur la droite correspondant à X=63,5, et sa valeur y constitue la prédiction.
Le modèle prédit que la personne mesurera 64,3 pouces.
Équation de la régression linéaire simple
Comme vous vous en souvenez peut-être de l'école, la fonction d'une droite est y=b+ax, donc pendant l'entraînement, la régression linéaire simple apprend simplement quelles valeurs doivent avoir a et b pour former la droite souhaitée. Les valeurs apprises par le modèle sont appelées paramètres, et plus loin dans le cours, nous noterons les paramètres avec 𝛽 au lieu de a, b. Ainsi, notre équation de la régression linéaire simple est :
ypred=β0+β1xOù :
- β0,β1 – sont les paramètres du modèle ;
- ypred – est la prédiction de la cible ;
- x – est la valeur de la caractéristique.
1. En régression, la valeur que nous souhaitons prédire s'appelle :
2. Compléter les espaces
Merci pour vos commentaires !
Demandez à l'IA
Demandez à l'IA
Posez n'importe quelle question ou essayez l'une des questions suggérées pour commencer notre discussion
Génial!
Completion taux amélioré à 3.33Qu'est-ce Que la Régression Linéaire
Glissez pour afficher le menu
Concepts de base
La régression est une tâche d'apprentissage supervisé qui consiste à prédire une valeur numérique (par exemple, le prix d'une maison), appelée cible, à partir d'un ensemble de variables d'entrée (par exemple, la taille, l'âge, l'emplacement, etc.), appelées caractéristiques.
Pour entraîner le modèle, il est nécessaire de fournir de nombreux exemples de telles maisons, comprenant à la fois les caractéristiques et la cible. L'ensemble d'exemples utilisé pour entraîner le modèle est appelé ensemble d'entraînement.
Le modèle le plus simple capable d'effectuer des tâches de régression est la régression linéaire. Considérez ce nuage de points affichant la taille d'une personne et celle de son père.
Fonctionnement
La régression linéaire simple consiste simplement à ajuster une droite aux données de sorte que la ligne soit aussi proche que possible des points de données.
Prédictions
Il est alors possible d'utiliser cette droite pour prédire la variable cible pour un nouveau point.
Par exemple, supposons que l'on souhaite prédire la taille d'une personne dont le père mesure 63,5 pouces. Il suffit de choisir un point sur la droite correspondant à X=63,5, et sa valeur y constitue la prédiction.
Le modèle prédit que la personne mesurera 64,3 pouces.
Équation de la régression linéaire simple
Comme vous vous en souvenez peut-être de l'école, la fonction d'une droite est y=b+ax, donc pendant l'entraînement, la régression linéaire simple apprend simplement quelles valeurs doivent avoir a et b pour former la droite souhaitée. Les valeurs apprises par le modèle sont appelées paramètres, et plus loin dans le cours, nous noterons les paramètres avec 𝛽 au lieu de a, b. Ainsi, notre équation de la régression linéaire simple est :
ypred=β0+β1xOù :
- β0,β1 – sont les paramètres du modèle ;
- ypred – est la prédiction de la cible ;
- x – est la valeur de la caractéristique.
1. En régression, la valeur que nous souhaitons prédire s'appelle :
2. Compléter les espaces
Merci pour vos commentaires !
