Karteikarten: Introduction à la régression linéaire simple — 20 Karten

Régression linéaire — définition ?

Modélisation d’une relation linéaire entre deux variables.

Fonction coût — rôle ?

Évaluer l’erreur entre prédictions et valeurs réelles.

Algorithme de gradient — mécanisme ?

Ajuste les paramètres en suivant le gradient pour minimiser la fonction coût.

Variables dépendantes — rôle ?

Variable à expliquer ou prédire dans le modèle.

Variables indépendantes — localisation ?

Variables explicatives utilisées pour modéliser Y.

Représentation graphique — utilité ?

Visualiser la relation entre X et Y pour vérifier la linéarité.

Modélisation linéaire — objectif ?

Représenter une relation entre variables par une fonction affine.

Prédiction prix surface — méthode ?

Utiliser la régression linéaire pour estimer le prix à partir de la surface.

Apprentissage supervisé — définition ?

Modèle entraîné sur des exemples étiquetés avec leur réponse.

Fonction de perte quadratique — formule ?

MSE = moyenne des carrés des écarts entre prédictions et valeurs réelles.

Descente de gradient — principe ?

Mettre à jour les paramètres dans la direction opposée au gradient.

Variable dépendante — rôle ?

Variable à prédire ou expliquer dans le modèle.

Variable indépendante — rôle ?

Variable utilisée pour expliquer la dépendante.

Représentation graphique — étape clé ?

Vérifier la tendance linéaire des données.

Modélisation linéaire — lien avec régression ?

La régression linéaire est une application de la modélisation linéaire.

Prédiction prix surface — exemple ?

Estimer le loyer d’un appartement à partir de sa surface.

Apprentissage supervisé — caractéristique ?

Utilise des données avec réponses correctes pour apprendre.

Fonction de perte quadratique — avantage ?

Pénalise fortement les erreurs importantes.

Descente de gradient — propriété ?

Converge vers le minimum si la fonction est convexe.

Régression simple — différence ?

Utilise une seule variable indépendante.