Тест: Introduction à la Régression et Évaluation — 10 въпроса

1. Qu'est-ce que la régression linéaire multiple ?

A. Une méthode qui utilise des fonctions non linéaires pour modéliser la relation entre variables.

B. Une technique qui utilise une seule variable indépendante pour prédire une variable dépendante.

C. Un modèle qui prédit une variable dépendante à partir de plusieurs variables indépendantes en utilisant une fonction linéaire.

D. Un modèle qui ne considère qu'une seule variable pour faire des prédictions.

Answer: (C)

Обяснение

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.

2. Quel auteur a formulé ou popularisé la méthode de régression polynomiale dans le contexte de l'apprentissage automatique ?

A. Michael I. Jordan

B. Andrew NG

C. Yann LeCun

D. Geoffrey Hinton

Answer: (B)

Обяснение

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.

3. Quel est le rôle principal de la fonction de coût dans l'apprentissage d'un modèle de régression ?

A. Elle sert à mesurer la complexité du modèle.

B. Elle guide l'optimisation en quantifiant l'écart entre prédictions et valeurs réelles.

C. Elle sert à augmenter la vitesse de convergence de l'algorithme.

D. Elle permet de sélectionner les variables indépendantes du modèle.

Answer: (B)

Обяснение

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.

4. Quand la descente de gradient a-t-elle été établie ou popularisée dans le contexte de l'apprentissage automatique ?

A. Au début du 20e siècle, dans les travaux mathématiques classiques

B. Au début des années 2000, avec l'avènement du big data et du deep learning

C. Dans les années 1920, lors des premiers travaux en statistique

D. Dans les années 1960-1980, avec le développement des réseaux de neurones et l'apprentissage automatique

Answer: (D)

Обяснение

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.

5. En quoi la formulation mathématique de l'hypothèse multivariée diffère-t-elle de sa représentation géométrique ?

A. La formulation est une visualisation graphique d'une relation, alors que la représentation géométrique est une équation mathématique.

B. La formulation est une approximation de la relation réelle, tandis que la représentation géométrique est une modélisation exacte.

C. La formulation concerne uniquement les variables numériques, alors que la représentation géométrique peut inclure des variables catégorielles.

D. La formulation est une équation qui exprime une relation linéaire ou polynomiale, tandis que la représentation géométrique visualise cette relation comme un hyperplan dans un espace à plusieurs dimensions.

Answer: (D)

Обяснение

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.

6. Qui est crédité d'avoir formulé ou popularisé l'utilisation de l'erreur quadratique moyenne dans le contexte de l'apprentissage automatique ?

A. Georges Dantzig

B. Yann LeCun

C. Andrew Ng

D. Geoffrey Hinton

Answer: (C)

Обяснение

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.

7. Quelle est la conséquence d'une erreur absolue moyenne élevée sur la capacité d'un modèle à généraliser ?

A. Le modèle risque de mal généraliser, avec une performance faible sur de nouvelles données

B. Le modèle sera moins sensible aux outliers

C. Le modèle sera plus précis sur de nouvelles données

D. Le modèle aura une meilleure capacité à prédire des valeurs extrêmes

Answer: (A)

Обяснение

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.

8. Comment peut-on utiliser le coefficient de détermination (R²) en pratique pour évaluer un modèle de régression ?

A. Comparer la valeur de R² entre différents modèles pour choisir le meilleur ajustement

B. Utiliser R² pour déterminer si le modèle est linéaire ou non linéaire

C. Se baser uniquement sur R² pour décider si le modèle doit être utilisé ou non

D. Vérifier si R² est supérieur à 0,5 pour confirmer que le modèle est correct

Answer: (A)

Обяснение

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.

9. Quelle est la caractéristique principale qui différencie l'overfitting de l'underfitting dans un modèle de machine learning ?

A. L'underfitting est dû à un manque de données, tandis que l'overfitting est lié à un trop grand nombre de variables.

B. L'overfitting survient quand le modèle est trop simple pour capturer la tendance des données.

C. L'overfitting se produit lorsque le modèle est trop complexe et s'adapte au bruit spécifique de l'ensemble d'entraînement.

D. L'overfitting est une situation où le modèle ne parvient pas à converger lors de l'apprentissage.

Answer: (C)

Обяснение

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.

10. Qu'est-ce qu'une méthode d'évaluation dans le contexte de l'apprentissage automatique ?

A. Une technique pour optimiser les paramètres du modèle

B. Une procédure pour sélectionner les variables d'entrée

C. Une métrique permettant de mesurer la performance du modèle en quantifiant l'écart entre prédictions et valeurs réelles

D. Une étape pour normaliser les données avant l'apprentissage

Answer: (C)

Обяснение

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.