Qu'est-ce Que la Régression Linéaire

Concepts de base

La régression est l'une des tâches d'apprentissage supervisé les plus populaires.
Son objectif est de prédire une valeur numérique (par exemple, le prix d'une maison) appelée la cible, étant donné un ensemble de paramètres (taille, âge, emplacement, etc.), qui sont appelés caractéristiques. Pour entraîner le modèle, vous devez fournir de nombreux exemples de telles maisons, à la fois les caractéristiques et une cible. L'ensemble d'exemples sur lequel vous entraînez le modèle est appelé l'ensemble d'entraînement.

Le modèle le plus simple capable d'effectuer des tâches de régression est une Régression Linéaire.
Examinons d'abord l'exemple d'une Régression Linéaire Simple.
Considérons ce nuage de points affichant la taille d'une personne et la taille de son père.

Comment ça fonctionne

Ce que fait la régression linéaire simple, c'est simplement ajuster la ligne droite aux données afin que la ligne soit aussi proche que possible des points de données.

Faire des prédictions

Maintenant, nous pouvons utiliser cette ligne pour prédire la cible pour un nouveau point.
Par exemple, disons que vous voulez prédire la taille d'une personne si son père mesure 63,5 pouces. Il suffit de choisir un point de la ligne qui correspond à X=63,5, et sa valeur y est notre prédiction, facile. Le modèle prédit que la personne mesure 64,3 pouces.

Équation de la Régression Linéaire Simple

Comme vous vous en souvenez peut-être de l'école, la fonction d'une ligne est y=b+ax, donc pendant l'entraînement, la régression linéaire simple apprend simplement quelles valeurs a et b doivent avoir pour former une ligne souhaitée. Les valeurs que le modèle apprend sont appelées paramètres, et plus loin dans le cours, nous désignerons les paramètres en utilisant 𝛽 au lieu de a, b.
Donc notre équation de régression linéaire simple est :