La variable dépendante Y
Explication
La variable cible est Y : c’est la valeur dépendante que le modèle cherche à prédire. X sert au contraire d’entrée explicative, tandis que a et ε décrivent le modèle.
Une technique qui prédit une valeur inconnue en reliant une variable dépendante à une ou plusieurs variables indépendantes via une relation linéaire.
Explication
La régression linéaire est une technique d’analyse qui prédit une valeur inconnue en reliant une variable dépendante à une ou plusieurs variables indépendantes par une relation linéaire.
Utiliser plusieurs variables explicatives pour prédire Y
Explication
Une régression multiple utilise plusieurs variables explicatives X pour prédire la variable cible Y. Avoir plusieurs observations ne suffit pas à rendre la régression multiple.
Transformer des données brutes en informations exploitables
Explication
La régression linéaire est principalement utilisée pour transformer des données brutes en informations exploitables via une formule interprétable pour la décision, en prédisant une variable quantitative.
Parce que chaque exemple d’entraînement possède une cible Y connue
Explication
L’apprentissage est supervisé car le modèle apprend à partir d’exemples où la cible Y est déjà connue. Les variables X servent d’entrées pour expliquer ou prédire cette cible.
Prédire une variable dépendante à partir de variables explicatives en établissant une relation linéaire.
Explication
La régression linéaire vise principalement à prédire une variable dépendante en utilisant une ou plusieurs variables explicatives via une relation linéaire.
Elle constitue l’entrée explicative utilisée pour prédire Y
Explication
X est la variable indépendante, utilisée comme entrée explicative pour construire la prédiction de Y. La sortie à prédire est la variable dépendante Y, pas X.
Au début du 20ème siècle, avec le développement de la statistique moderne.
Explication
L'équation de régression linéaire a été formalisée au début du 20ème siècle comme une méthode statistique pour modéliser la relation entre variables, notamment par Francis Galton et d'autres statisticiens de cette époque.
La fonction coût mesure l'erreur globale, tandis que les moindres carrés minimisent la somme des carrés des écarts.
Explication
La fonction coût évalue l'erreur globale du modèle, tandis que la méthode des moindres carrés cherche à minimiser la somme des carrés des écarts entre prédictions et valeurs réelles, ce qui est une approche spécifique pour ajuster la régression.
Carl Friedrich Gauss
Explication
Carl Friedrich Gauss est généralement crédité d'avoir formulé la méthode des moindres carrés, utilisée pour ajuster la meilleure droite dans la régression linéaire.
La nécessité de minimiser la fonction coût en ajustant progressivement les paramètres.
Explication
La descente de gradient est utilisée pour ajuster progressivement les paramètres afin de minimiser la fonction coût, ce qui permet d'optimiser la précision du modèle.
Mémorisez les réponses avec 9 flashcards sur Introduction à la régression linéaire.
Régression linéaire — définition ?
Analyse qui prédit une variable par une relation linéaire.
Régression linéaire
Prédit une valeur en reliant variables linéairement.
Apprentissage supervisé — rôle ?
Apprend à partir d'exemples avec cible connue.
Consultez la fiche de révision complète sur Introduction à la régression linéaire.
Voir la fiche →Bases de données
Bases de données
Programmation
Programmation
Importe ton cours et l'IA génère des QCM avec corrections en 30 secondes.
Générateur de QCM