Cuestionario: Introduction à la régression linéaire en machine learning — 9 preguntas

1. Quelle est la principale fonction de coût utilisée en régression linéaire pour mesurer l'erreur entre la prédiction et la valeur réelle ?

A. Erreur de classification

B. Erreur absolue moyenne

C. Erreur quadratique moyenne

D. Erreur logarithmique

Answer: (C)

Explicación

La fonction de coût principale en régression linéaire est l'erreur quadratique moyenne, qui mesure la moyenne des carrés des écarts entre les valeurs prédites et les valeurs réelles. Elle est convexe et permet de minimiser l'écart global.

2. Quelle est la formule de la fonction de coût principale en régression linéaire ?

A. J(θ) = (1/n) Σ(Xθ − Y)²

B. J(θ) = (1/2n) Σ(Xθ − Y)²

C. J(θ) = (1/n) Σ|Xθ − Y|

D. J(θ) = (1/2) Σ(Xθ − Y)³

Answer: (B)

Explicación

La fonction de coût en régression linéaire est l'erreur quadratique moyenne, souvent écrite comme J(θ) = (1/2n) Σ(Xθ − Y)², ce qui facilite la dérivation et la convergence.

3. Quelle méthode permet d’obtenir une solution analytique pour estimer les paramètres du modèle de régression linéaire ?

A. Descente de gradient

B. Méthode des moindres carrés avec équations normales

C. Algorithme de k-plus proches voisins

D. Régression logistique

Answer: (B)

Explicación

La méthode des moindres carrés, via les équations normales, fournit une solution analytique exacte pour estimer les paramètres du modèle de régression linéaire en résolvant une équation matricielle.

4. Quel outil de la bibliothèque Scikit-Learn est utilisé pour implémenter facilement la régression linéaire ?

A. classifier.LinearRegression

B. linear_model.LinearRegression

C. regression.Regressor

D. fit.LinearModel

Answer: (B)

Explicación

Scikit-Learn fournit la classe 'linear_model.LinearRegression' pour une implémentation efficace et facile de la régression linéaire.

5. Lors de l’implémentation de la régression linéaire, pourquoi ajoute-t-on une colonne de 1 dans la matrice X ?

A. Pour représenter la variable cible

B. Pour normaliser les données

C. Pour inclure le biais (interception) dans le modèle

D. Pour augmenter la dimension des données

Answer: (C)

Explicación

L’ajout d’une colonne de 1 dans la matrice X permet d’incorporer le terme d’interception (b) dans le modèle, facilitant ainsi la formulation matricielle et le calcul des paramètres.

6. Que contient généralement la matrice X utilisée dans la modèle de régression linéaire ?

A. Une seule colonne correspondant à la variable cible

B. Les variables d’entrée sans aucune modification

C. Les variables d’entrée avec une colonne de biais (1) ajoutée

D. Une matrice aléatoire de variables indépendantes

Answer: (C)

Explicación

La matrice X inclut une colonne de 1 pour le biais afin de simplifier le calcul de la prédiction et de l'estimation des paramètres.

7. Quelle méthode fournit une solution analytique pour déterminer les paramètres optimaux θ en régression linéaire ?

A. Descente de gradient

B. Équations normales

C. K-plus proches voisins

D. Régression logistique

Answer: (B)

Explicación

La solution analytique, ou équations normales, permet de calculer directement θ = (XᵗX)⁻¹XᵗY, à condition que XᵗX soit inversible.

8. Pourquoi la convexité de la fonction de coût J(θ) est-elle importante ?

A. Elle garantit que la méthode atteindra un minimum local

B. Elle assure la convergence vers le minimum global

C. Elle rend la solution analytique impossible

D. Elle dépend du nombre de variables d'entrée

Answer: (B)

Explicación

La convexité de J(θ) garantit qu'il existe un seul minimum global, évitant ainsi les minima locaux lors de l'optimisation.

9. Quelle extension de la régression linéaire permet de modéliser des relations non linéaires ?

A. Régression polynomiale

B. Régression Ridge

C. Régression Logistique

D. Régression Lasso

Answer: (A)

Explicación

La régression polynomiale étend le modèle en utilisant des termes polynomiaux pour capturer des relations non linéaires entre variables.