Introduction à la Régression et Évaluation

📋 Plan du Cours

1. Régression linéaire multiple
2. Régression polynomiale
3. Fonction de coût
4. Descente de gradient
5. Hypothèse multivariée
6. Erreur quadratique moyenne
7. Erreur absolue moyenne
8. Coefficient de détermination (R²)
9. Overfitting et underfitting
10. Méthodes d'évaluation

📖 1. Régression linéaire multiple

🔑 Notions clés & Définitions

• Modèle de régression linéaire multiple : Modèle statistique qui prédit une variable dépendante à partir de plusieurs variables indépendantes en utilisant une fonction linéaire. Il généralise la régression linéaire simple en intégrant plusieurs features (voir aussi "hypothèse : fonction linéaire multivariée").
• Hypothèse multivariée : Supposition selon laquelle la relation entre la variable dépendante et plusieurs variables indépendantes peut être modélisée par une fonction linéaire, avec des coefficients associés à chaque variable (voir aussi "notion des variables multiples").
• Notation des variables multiples : Utilisation de vecteurs et matrices pour représenter les différentes variables d'entrée et paramètres du modèle, facilitant la manipulation mathématique dans le contexte multivarié.
• Hypothèse : fonction linéaire multivariée : Postulat que la relation entre la variable cible et plusieurs features est une combinaison linéaire de ces features, représentée par une hypothèse mathématique formelle.
• Modèle linéaire comme hyperplan : En dimension supérieure à deux, le…