Introduction
La régression est là où les modèles prédisent un nombre.
Dans le machine learning, l’objectif de la régression est de créer un modèle capable de prédire une valeur numérique quantifiable, comme un prix, une quantité, une taille ou un autre nombre scalaire.
La régression est une technique statistique d’une importance fondamentale pour la science en raison de sa facilité d’interprétation, de sa robustesse et de la rapidité avec laquelle est calculée. Les modèles de régression fournissent une excellente base pour comprendre le fonctionnement des techniques complexes de Machine Learning.
En situation réelle, en particulier quand peu de données sont disponibles, les modèles de régression sont très utiles pour faire des prédictions. Par exemple, si une entreprise qui loue des vélos veut prédire le nombre attendu de locations sur un jour donné dans le futur, un modèle de régression peut prédire ce nombre. Vous pouvez créer un modèle en utilisant des données existantes, comme le nombre de bicyclettes louées les jours de la saison, le jour de la semaine, etc., a également été enregistré.
Prérequis
- Connaissance des principes mathématiques de base
- Une certaine expérience de la programmation en langage Python
- Connaissance des notebooks Jupyter
Objectifs d’apprentissage
Dans ce module, vous allez :
- Quand utiliser des modèles de régression.
- Comment effectuer l’apprentissage et évaluer des modèles de régression à l’aide de l’infrastructure Scikit-Learn.