Fonction de perte MSE — définition ?
Moyenne des carrés des écarts entre prévisions et réalité.
MAE — rôle ?
Mesure la précision linéaire en moyenne des erreurs absolues.
Fonction de perte Huber — mécanisme ?
Combine MSE pour petites erreurs et MAE pour grandes erreurs.
Perte Quantile — objectif ?
Estimer un quantile spécifique en pénalisant asymétriquement.
Biais — impact ?
Erreur systématique due à un modèle simplifié.
Variance — effet ?
Sensibilité du modèle aux fluctuations des données.
Complexité du modèle — influence ?
Détermine sa capacité à s’adapter ou à surajuster.
Régression linéaire — principe ?
Relation linéaire entre variables pour prédire une cible.
Ridge (L2) — régularisation ?
Ajoute une pénalité L2 pour réduire la magnitude des coefficients.
Lasso (L1) — particularité ?
Favorise la sparsité en pénalisant la somme absolue des coefficients.
Arbre de décision — structure ?
Utilise des tests pour diviser les données en branches jusqu’aux feuilles.
Forêt aléatoire — principe ?
Ensemble d’arbres construits sur échantillons aléatoires, combinés par vote ou moyenne.
Gradient Boosting — mécanisme ?
Construire séquentiellement des arbres corrigeant les erreurs précédentes via le gradient.
MSE — sensibilité aux outliers ?
Très sensible, pénalise fortement les erreurs importantes.
MAE — robustesse ?
Plus robuste, moins sensible aux valeurs extrêmes.
Fonction Huber — avantage ?
Robuste aux outliers tout en étant différentiable.
Perte Quantile — utilisation ?
Pour estimer des seuils ou risques extrêmes.
Biais — sous- ou sur-apprentissage ?
Biais élevé indique sous-apprentissage (underfitting).
Variance — sous- ou sur-apprentissage ?
Variance élevée indique surapprentissage (overfitting).
Régression linéaire — formule ?
Minimise la somme des carrés des erreurs : $ eta = (X^TX)^{-1}X^Ty $.
Ridge — hyperparamètre ?
λ (lambda), contrôle la force de la régularisation.
Lasso — effet sur variables ?
Sélectionne et élimine automatiquement certaines variables.
Arbre de décision — critère ?
Maximise la pureté ou réduit l’hétérogénéité à chaque division.
Forêt aléatoire — avantage principal ?
Réduit le surapprentissage grâce à la diversité des arbres.
Testez vos connaissances avec un QCM de 12 questions sur Principes et Méthodes de Régression.
1. Quelle est la définition correcte de la fonction de perte MSE en régression ?
2. Quelle est la formule exacte de la fonction de perte MAE ?
Révisez le cours complet dans la fiche de révision de Principes et Méthodes de Régression.
Voir la fiche →Intelligence Artificielle
Bases de données
Bases de données
Bases de données
Importe ton cours et l'IA génère des flashcards en 30 secondes.
Générateur de flashcards