Scribd Logo
Importer

Bienvenue sur Scribd !

  • 247 vues

    Régression Linéaire Simple

    Transféré par

    Mariem Hassyaoui
    Ce document décrit la régression linéaire, y compris la régression linéaire simple et multiple. Il explique comment trouver une droite de régression qui approxime au mieux un ensemble de données, ainsi que les hypothèses sous-jacentes telles que l'indépendance et la distribution normale des erreurs.

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd

    Régression Linéaire Simple

    Transféré par

    Mariem Hassyaoui
    247 vues13 pages
    Ce document décrit la régression linéaire, y compris la régression linéaire simple et multiple. Il explique comment trouver une droite de régression qui approxime au mieux un ensemble de données, ainsi que les hypothèses sous-jacentes telles que l'indépendance et la distribution normale des erreurs.

    Titre original

    Régression linéaire simple

    Copyright

    © © All Rights Reserved

    Formats disponibles

    PDF, TXT ou lisez en ligne sur Scribd

    Avez-vous trouvé ce document utile ?

    Ce contenu est-il inapproprié ?

    Ce document décrit la régression linéaire, y compris la régression linéaire simple et multiple. Il explique comment trouver une droite de régression qui approxime au mieux un ensemble de données, ainsi que les hypothèses sous-jacentes telles que l'indépendance et la distribution normale des erreurs.

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd
    Télécharger au format pdf ou txt
    247 vues13 pages

    Régression Linéaire Simple

    Transféré par

    Mariem Hassyaoui
    Ce document décrit la régression linéaire, y compris la régression linéaire simple et multiple. Il explique comment trouver une droite de régression qui approxime au mieux un ensemble de données, ainsi que les hypothèses sous-jacentes telles que l'indépendance et la distribution normale des erreurs.

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd
    Télécharger au format pdf ou txt
    Vous êtes sur la page 1sur 13

    Chapitre 2

    Régression linéaire

    70
    Plan du chapitre

    1. Régression linéaire simple


    2. Régression linéaire multiple
    3. Evaluation

    71
    Régression linéaire
    Un algorithme d’apprentissage supervisé càd qu’à partir de la variable
    cible ou de la variable à expliquer (la variable dépendante) (Y), le
    modèle a pour but de faire une prédiction grâce à des variables
    indépendantes dites explicatives (X) ou prédictives.
    Un modèle de régression linéaire: un modèle de machine learning
    dont la variable cible (Y) est quantitative tandis que la variable X peut
    être quantitative ou qualitative.
    Exemple: Prédire la valeur d’une maison en fonction de sa superficie,
    sa localisation, la possibilité de parking ou non

    72
    Régression linéaire
    Régression linéaire: un algorithme qui consiste à trouver une droite qui se
    rapproche le plus possible d’un ensemble de points représentant les
    données d’entraînement (Training Set).

     Les points en orange: les données d’entraînement (input data), représentés par le couple
    variables prédictives; valeurs observées (le prix d’une maison par exemple).
    Trouver une droite tel que,
    Trouver une droite qui soit le plus proche possible de tous les points de nos données
    73
    d’apprentissage.
    Régression linéaire
    Trouver une fonction dite de prédiction ou une fonction coût qui décrit la relation
    entre X et Y c’est-à-dire qu’à partir de valeurs connues de X, on arrive à donner une
    prédiction des valeurs de Y.
     Exemple

    74
    Vérification graphique
     Savoir si le modèle linéaire est convenable pour l’étude du phénomène.

    Il semble approprié d’utiliser le modèle linéaire pour la première image et pas pour
    la deuxième qui ne laisse transparaitre aucune tendance connue.
    75
    Modèle de la régression linéaire

    76
    Modèle de régression linéaire simple
    Position du problème
    Exemple de régression simple
    Expliquer le rendement de maïs Y (en quintal) à partir de la quantité d'engrais
    utilisé (en kilo) sur des parcelles de terrain similaires.

    77
    Modèle de régression linéaire simple
    Exemple 2 de régression simple: valeur du salaire en fonction des années d’expérience

     Exemple 3: Une entreprise veut mener une étude sur la relation entre les dépenses hebdomadaires en
    publicité et le volume des ventes qu’elle réalise

    78
    Modèle de régression linéaire simple

     A partir d’un échantillon de n couples de points (xi ,yi ) i.i.d (indépendants et


    identiquement distribués), expliquer (prédire) les valeurs de Y en fonction des valeurs
    prises par X
    estimer a et b
     permet de résumer toute l’information qui n’est pas prise en compte dans la relation
    linéaire entre Y et X (problèmes de spécifications, approximation de la linéarité, résumer
    les variables qui sont absentes...)

    79
    Hypothèses
     H1 : Hypothèses sur X et Y
    • Ce sont des grandeurs numériques mesurées sans erreur.
    • X est une donnée (exogène) dans le modèle, Y est aléatoire par l’intermédiaire de (càd la seule
    erreur que l’on a sur Y provient des insuffisances de X à expliquer ses valeurs dans le modèle).
     H2 : Hypothèses sur le terme aléatoire
    • Les sont i.i.d. (indépendants et identiquement distribués)
    • (H2.a) En moyenne les erreurs s’annulent
    • (H2.b) La variance de l’erreur est constante et ne dépend pas de l’observation : homoscédasticité
    .
    • (H2.c) En particulier, l’erreur est indépendante de la variable exogène .
    • (H2.d) Indépendance des erreurs, les erreurs relatives à 2 observations sont indépendantes (on
    dit aussi que les erreurs « ne sont pas corrélées ») , j.
    • (H2.e) suit une loi normale

    80
    Estimateur des moindres carrés ordinaires
    (Ordinary least squares)
    • Critère des moindres carrés : trouver les valeurs de a et b qui
    minimise la somme des carrés des écarts entre les vraies valeurs de Y
    et les valeurs prédites avec le modèle de prédiction.

    81
    Estimateur des moindres carrés ordinaires
    (Ordinary least squares)

    82

    Vous aimerez peut-être aussi