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 une 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
Nous pouvons maintenant utiliser cette droite pour prédire la cible pour un nouveau point.
Par exemple, supposons que vous souhaitiez prédire la taille d'une personne si son père mesure 63,5 pouces. Il suffit de choisir un point sur la droite correspondant à X=63,5, et sa valeur y est notre prédiction, tout simplement.
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 que le modèle apprend sont appelées paramètres, et plus loin dans le cours, nous noterons les paramètres en utilisant 𝛽 au lieu de a, b. Ainsi, notre équation de régression linéaire simple est :
1. En régression, la valeur que l'on souhaite 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
Awesome!
Completion rate improved to 5.26Qu'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 une 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
Nous pouvons maintenant utiliser cette droite pour prédire la cible pour un nouveau point.
Par exemple, supposons que vous souhaitiez prédire la taille d'une personne si son père mesure 63,5 pouces. Il suffit de choisir un point sur la droite correspondant à X=63,5, et sa valeur y est notre prédiction, tout simplement.
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 que le modèle apprend sont appelées paramètres, et plus loin dans le cours, nous noterons les paramètres en utilisant 𝛽 au lieu de a, b. Ainsi, notre équation de régression linéaire simple est :
1. En régression, la valeur que l'on souhaite prédire s'appelle :
2. Compléter les espaces
Merci pour vos commentaires !
