Le concept de la régression linéaire

La régression linéaire est l'un des algorithmes les plus simples et les plus utilisés en apprentissage supervisé. Elle modélise la relation entre deux variables en ajustant une droite aux données.

Cette droite est appelée la droite de meilleur ajustement.

Quand utiliser la régression linéaire

La régression linéaire est idéale pour :

• Prédire des valeurs continues (par exemple, des prix immobiliers ou la température).
• Comprendre les relations entre les variables indépendantes et dépendantes.

Principaux composants de la régression linéaire

Les principaux composants d'un modèle de régression linéaire sont :

• Pente : Détermine l'angle de la droite.
• Ordonnée à l'origine : Le point où la droite coupe l'axe des ordonnées.
• Erreur : L'écart entre les valeurs réelles et prédites.

Formule de la régression linéaire

La formule de la régression linéaire est :

y = mx + b

• y : Variable dépendante (ce que vous voulez prédire).
• m : Pente de la droite.
• x : Variable indépendante (données d'entrée).
• b : Ordonnée à l'origine (constante).

Fonctionnement de la régression linéaire

La régression linéaire réduit l'écart entre les valeurs réelles et prédites en trouvant la droite qui minimise la somme des erreurs au carré (méthode des moindres carrés).

Cela garantit que la droite est aussi proche que possible de tous les points de données.

Représentation visuelle de la régression linéaire

Un modèle de régression linéaire est généralement représenté par un nuage de points de données et une droite de meilleur ajustement.

Voici un exemple de jeu de données :

• Variable indépendante (x) : 1, 2, 3, 4, 5
• Variable dépendante (y) : 2, 4, 6, 8, 10

Cas d'utilisation courants de la régression linéaire

La régression linéaire est largement utilisée dans les domaines suivants :

• Économie : Prévision des cours boursiers.
• Santé : Estimation du temps de rétablissement des patients.
• Marketing : Prévision du chiffre d'affaires.

Limites de la régression linéaire

La régression linéaire suppose une relation linéaire entre les variables, ce qui n’est pas toujours le cas.

Elle est également sensible aux valeurs aberrantes, qui peuvent modifier considérablement la droite d’ajustement.

Résumé et prochaines étapes

Dans cette leçon, nous avons abordé :

• Le concept et la formule de la régression linéaire.
• Les situations où l'utiliser et ses principaux composants.
• Ses cas d'utilisation courants et ses limites.

Nous allons ensuite implémenter la régression linéaire en Python dans le cadre d'une pratique concrète.