Introduction à la régression linéaire en machine learning

1. 📌 L'essentiel

• La régression linéaire modélise une relation linéaire entre variables d’entrée (features) et variable cible (target).
• Fonction de coût principale : erreur quadratique moyenne J(θ) = (1/2n) ∑(Xθ − Y)², à minimiser- Méthodes d'apprentissage : solutions analytiques (équations normales) ou descente de gradient.
• La matrice X inclut une colonne de biais (1) pour simplifier le calcul.
• Prédictions : F = X.θ, avec θ estimé lors de l'apprentissage.
• Utilisation courante en prédiction continue : prix, concentration, etc.
• convexité de J assure la convergence vers un minimum global.
• Extension à la régression multivariable et polynomiale.
• Implémentation efficace avec Scikit-Learn (classe LinearRegression).
• La phase d’apprentissage ajuste les paramètres, la phase d’inférence prédit de nouvelles valeurs.

---