Flashcard: Introduction à la Régression et Évaluation — 20 carte

Régression linéaire multiple — définition ?

Modèle prédisant une variable avec plusieurs variables indépendantes.

Hypothèse multivariée — rôle ?

Modéliser la relation linéaire entre plusieurs variables et la cible.

Notation variables multiples — utilisation ?

Représenter vecteurs/matrices pour simplifier les calculs.

Régression polynomiale — objectif ?

Modéliser des relations non linéaires avec un polynôme.

Fonction de coût — rôle ?

Quantifier l’erreur du modèle pour l’optimiser.

Descente de gradient — mécanisme ?

Optimiser la fonction de coût en ajustant les paramètres.

Erreur quadratique moyenne — définition ?

Moyenne des carrés des erreurs de prédiction.

Erreur absolue moyenne — définition ?

Moyenne des erreurs absolues entre prédictions et valeurs.

Coefficient de détermination R² — rôle ?

Mesurer la proportion de variance expliquée par le modèle.

Overfitting — phénomène ?

Modèle trop complexe, mauvaise généralisation.

Underfitting — phénomène ?

Modèle trop simple, mauvaise modélisation.

Méthodes d’évaluation — exemple ?

Validation croisée, test sur données non vues.

Régression polynomiale — limite principale ?

Risque de surajustement si degré trop élevé.

Fonction de coût — exemple couramment utilisée ?

Erreur quadratique moyenne (MSE).

Descente de gradient — mise à jour ?

Ajuste tous les paramètres simultanément.

Hypothèse multivariée — différence avec univariée ?

Utilise plusieurs variables, pas une seule.

R² — valeur optimale ?

Proche de 1, pour un bon ajustement.

Overfitting — solution ?

Réduire la complexité ou utiliser la régularisation.

Underfitting — solution ?

Augmenter la complexité ou ajouter des variables.

Méthodes d’évaluation — importance ?

Garantir la généralisation du modèle.