Régression Quadratique
Le problème avec la régression linéaire
Avant de définir la régression polynomiale, examinons le cas que la régression linéaire que nous avons étudiée précédemment ne gère pas correctement.
Ici, vous pouvez voir que notre modèle de régression linéaire simple donne de très mauvais résultats. Cela s'explique par le fait qu'il tente d'ajuster une droite aux points de données. Pourtant, on remarque qu'ajuster une parabole serait un bien meilleur choix pour nos points.
Équation de la régression quadratique
Pour construire un modèle linéaire, nous avons utilisé une équation de droite (y=ax+b). Ainsi, pour construire un modèle parabolique, nous avons besoin de l'équation d'une parabole. Il s'agit de l'équation quadratique : y=ax²+bx+c. Remplacer a, b et c par β nous donne l'équation de la régression quadratique :
Le modèle décrit par cette équation est appelé Régression Quadratique. Comme précédemment, il suffit de déterminer les meilleurs paramètres pour nos points de données.
Équation Normale et X̃
Comme toujours, l'Équation Normale permet de trouver les meilleurs paramètres. Cependant, il est nécessaire de définir correctement X̃.
Nous savons déjà comment construire la matrice X̃ pour la régression linéaire multiple. Il s'avère que la matrice X̃ pour la régression polynomiale est construite de manière similaire. On peut considérer x² comme une seconde caractéristique. Ainsi, il faut ajouter une nouvelle colonne correspondante à X̃. Elle contiendra les mêmes valeurs que la colonne précédente, mais élevées au carré.
La vidéo ci-dessous montre comment construire la matrice X̃.
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
Can you explain more about how the X̃ matrix is constructed for polynomial regression?
What is the Normal Equation and how does it help find the best parameters?
How does quadratic regression differ from linear regression in practice?
Génial!
Completion taux amélioré à 5.26Régression Quadratique
Glissez pour afficher le menu
Le problème avec la régression linéaire
Avant de définir la régression polynomiale, examinons le cas que la régression linéaire que nous avons étudiée précédemment ne gère pas correctement.
Ici, vous pouvez voir que notre modèle de régression linéaire simple donne de très mauvais résultats. Cela s'explique par le fait qu'il tente d'ajuster une droite aux points de données. Pourtant, on remarque qu'ajuster une parabole serait un bien meilleur choix pour nos points.
Équation de la régression quadratique
Pour construire un modèle linéaire, nous avons utilisé une équation de droite (y=ax+b). Ainsi, pour construire un modèle parabolique, nous avons besoin de l'équation d'une parabole. Il s'agit de l'équation quadratique : y=ax²+bx+c. Remplacer a, b et c par β nous donne l'équation de la régression quadratique :
Le modèle décrit par cette équation est appelé Régression Quadratique. Comme précédemment, il suffit de déterminer les meilleurs paramètres pour nos points de données.
Équation Normale et X̃
Comme toujours, l'Équation Normale permet de trouver les meilleurs paramètres. Cependant, il est nécessaire de définir correctement X̃.
Nous savons déjà comment construire la matrice X̃ pour la régression linéaire multiple. Il s'avère que la matrice X̃ pour la régression polynomiale est construite de manière similaire. On peut considérer x² comme une seconde caractéristique. Ainsi, il faut ajouter une nouvelle colonne correspondante à X̃. Elle contiendra les mêmes valeurs que la colonne précédente, mais élevées au carré.
La vidéo ci-dessous montre comment construire la matrice X̃.
Merci pour vos commentaires !
