QCM : Introduction à la Régression et Évaluation — 10 questions

Explication

La régression linéaire multiple est un modèle qui prédit une variable dépendante en utilisant plusieurs variables indépendantes dans une fonction linéaire, ce qui permet de modéliser des relations complexes dans un espace multidimensionnel.

Explication

Andrew NG est largement reconnu pour avoir popularisé la méthode de régression polynomiale dans ses cours en ligne et ses publications, notamment dans le contexte de l'apprentissage supervisé et de la minimisation de la fonction de coût.

Explication

La fonction de coût est utilisée pour quantifier l'écart entre les valeurs prédites par le modèle et les valeurs réelles, et son minimisation guide l'optimisation des paramètres du modèle.

Explication

La descente de gradient a été formalisée dans la littérature mathématique dès le début du 20e siècle, mais son utilisation spécifique pour l'entraînement de modèles en apprentissage automatique, notamment dans les réseaux de neurones, s'est généralisée dans les années 1960-1980. C'est durant cette période que la méthode est devenue un outil central dans ce domaine.

Explication

La formulation mathématique de l'hypothèse multivariée est une équation qui décrit la relation comme une combinaison linéaire ou polynomiale, alors que sa représentation géométrique visualise cette relation comme un hyperplan dans un espace à plusieurs dimensions, illustrant la relation entre variables.

Explication

Andrew Ng est largement reconnu pour avoir formulé et popularisé l'utilisation de l'erreur quadratique moyenne dans ses cours et ressources en apprentissage automatique, notamment sur Coursera, ce qui en fait la réponse correcte. Geoffrey Hinton et Yann LeCun sont des figures majeures en réseaux neuronaux, mais ils ne sont pas crédités pour cette métrique spécifique. Georges Dantzig est connu pour la programmation linéaire, mais pas pour cette métrique.

Explication

Une erreur absolue moyenne élevée indique que le modèle a une grande erreur moyenne dans ses prédictions, ce qui peut entraîner une mauvaise capacité de généralisation, c'est-à-dire une performance faible sur de nouvelles données. Cela reflète une mauvaise adaptation du modèle aux données, pouvant résulter d’un sous-ajustement ou d’un modèle mal calibré.

Explication

Le R² est utilisé en pratique pour comparer la performance de différents modèles de régression. Un R² plus élevé indique que le modèle explique une plus grande proportion de la variance, permettant ainsi de choisir le modèle le plus adapté parmi plusieurs options.

Explication

L'overfitting est caractérisé par un modèle trop complexe qui s'adapte au bruit et aux détails spécifiques de l'ensemble d'entraînement, ce qui nuit à sa capacité de généralisation. En revanche, l'underfitting correspond à un modèle trop simple qui ne capture pas la tendance sous-jacente. La différence clé réside dans la complexité du modèle et sa capacité à généraliser.

Explication

Une méthode d’évaluation dans l’apprentissage automatique est une métrique ou un outil qui permet de mesurer la performance du modèle en quantifiant l’écart entre ses prédictions et les valeurs réelles. Parmi les exemples courants, la moyenne des erreurs quadratiques (MSE), la moyenne des erreurs absolues (MAE) ou le coefficient de détermination (R²) sont utilisés pour évaluer la qualité d’un modèle de régression.