QCM : Introduction à la régression linéaire simple — 10 questions

Explication

La régression linéaire simple modélise la relation entre une variable dépendante et une variable indépendante par une droite, sous la forme f(x) = b0 + b1 x, ce qui correspond à la réponse 0.

Explication

Andrew Ng, dans ses cours sur le Machine Learning sur Coursera, insiste sur le fait que la fonction coût doit être minimisée pour optimiser la modèle, notamment en régression linéaire. Les autres noms sont des figures de la biologie ou de la génétique, sans lien avec ce contexte.

Explication

L'algorithme de gradient est utilisé pour minimiser la fonction coût, qui mesure l'erreur entre les prédictions et les valeurs réelles, en ajustant les paramètres du modèle pour améliorer sa précision.

Explication

La représentation graphique des observations (xi, yi) est effectuée en premier lieu, avant la modélisation ou l'ajustement de la droite de régression, pour visualiser la relation et vérifier la pertinence d’un modèle linéaire.

Explication

La différence principale réside dans la forme de la relation visualisée : une relation linéaire est représentée par une droite, alors qu'une relation non linéaire peut prendre diverses formes comme des courbes ou d'autres formes complexes. Les autres options sont incorrectes car elles exagèrent ou déforment la nature de la dispersion ou de la tendance dans la représentation graphique.

Explication

Ronald Fisher est largement crédité pour avoir formalisé la régression linéaire dans la statistique moderne, notamment dans ses travaux sur l’analyse de la variance et la régression, ce qui en fait la réponse correcte.

Explication

La relation entre surface et prix est généralement causale : une surface plus grande tend à entraîner un prix plus élevé, ce qui explique pourquoi la modélisation utilise la surface pour prédire le prix. La réponse correcte reflète cette causalité, tandis que les distracteurs proposent des relations inverses ou non causales.

Explication

L'apprentissage supervisé repose sur l'utilisation d'un ensemble de données étiquetées, où chaque exemple comporte une entrée et une sortie correcte, permettant au modèle d'apprendre la relation entre variables pour faire des prédictions sur de nouvelles données.

Explication

La fonction de perte quadratique, ou erreur quadratique moyenne, est caractérisée par le fait qu’elle mesure l’écart entre les prédictions et les valeurs réelles en utilisant la moyenne des carrés des écarts, ce qui pénalise fortement les erreurs importantes et facilite l’optimisation par la descente de gradient.

Explication

La descente de gradient est une méthode d'optimisation qui ajuste les paramètres dans la direction opposée au gradient de la fonction, afin de minimiser cette fonction, notamment la fonction coût en apprentissage automatique.