- Régression
- La régression est un type d'apprentissage automatique qui consiste à prédire une valeur numérique continue.
- Il existe différents algorithmes de régression, comme la régression linéaire, la régression logistique et la régression polynomiale, qui diffèrent par la façon dont ils modélisent la relation entre les variables.
- 1. Régression linéaire
- Objectif : Modéliser la relation entre une variable dépendante continue et une ou plusieurs variables indépendantes en utilisant une fonction linéaire. En d'autres termes, elle cherche à tracer une ligne droite qui représente le mieux la relation entre les données.
- Fonction : y = a + bx, où 'y' est la variable dépendante, 'x' est la variable indépendante, 'a' est l'ordonnée à l'origine et 'b' est la pente de la droite.
- Application : Prédire le prix d'une maison en fonction de sa superficie, prédire le nombre de ventes en fonction des dépenses publicitaires.
- 2. Régression logistique
- Objectif : Prédire la probabilité d'une variable dépendante catégorielle binaire (ayant deux valeurs possibles, comme 0 ou 1, vrai ou faux).
- Fonction : Utilise une fonction sigmoïde pour transformer la sortie linéaire en une probabilité entre 0 et 1.
- Application : Prédire si un client va cliquer sur une publicité, déterminer si un patient a une maladie en fonction de ses symptômes.
- 3. Régression polynomiale
- Objectif : Modéliser la relation entre une variable dépendante continue et une ou plusieurs variables indépendantes en utilisant une fonction polynomiale. Cela permet de capturer des relations non-linéaires entre les données.
- Fonction : y = a + bx + cx² + ..., où 'y' est la variable dépendante, 'x' est la variable indépendante, et 'a', 'b', 'c' etc. sont les coefficients du polynôme.
- Application : Prédire la croissance d'une population, modéliser la trajectoire d'un objet en chute libre.
- Points clés à retenir
- La régression linéaire est utilisée pour les relations linéaires entre les variables, tandis que les régressions logistique et polynomiale sont utilisées pour les relations non-linéaires.
- La régression logistique prédit une probabilité d'un événement, tandis que les régressions linéaire et polynomiale prédisent une valeur continue.
- Le choix du meilleur algorithme de régression dépend de la nature des données et du problème à résoudre.
Voici une vidéo qui explique la régression linéaire (où il s'agit de simplifier une masse de données sous la forme d'une droite) appliquée à l'IA :
