PASCAL YIM / apprendreRégressions multiple et polynomiale

MODÈLES / 01 · EXPLICATION

Deux caractéristiques : un plan

La prédiction peut dépendre simultanément de Length et de Weight.

Code→Exécution→Résultat
FONCTIONNEMENT

Chaque observation possède deux coordonnées explicatives et une cible Rings. Avec deux caractéristiques, le modèle décrit un plan dans l’espace (Length, Weight, Rings).

y^=a1x1+a2x2+b\hat y = a_1 x_1 + a_2 x_2 + b

Deux pentes et une constante, au lieu d’une pente et d’une constante.

À retenir

  1. 01

    a₁ mesure la variation prédite associée à Length à Weight fixé ; a₂ celle associée à Weight à Length fixé.

  2. 02

    La corrélation entre caractéristiques peut rendre les coefficients difficiles à interpréter séparément.

  3. 03

    Ajouter une caractéristique peut réduire l’erreur d’apprentissage sans améliorer la prédiction sur des données nouvelles.

Les slides d’explication ne donnent pas lieu à une validation de code.

Parcours · chapitres

Matrices, plans, pseudo-inverse et LinearRegression.

01 / Rappels de Python

02 / Classes et objets en Python

03 / Pandas et DataFrames

04 / Régression linéaire et métriques

05 / Régressions multiple et polynomiale

06 / Évaluer les modèles

07 / KNN et normalisation

Quiz de synthèse · 24 questions →Rejoindre une session →