Coconote
AI notes
AI voice & video notes
Try for free
Régression logistique et linéaire en ML
Sep 29, 2024
Notes sur la régression logistique et linéaire en Machine Learning
Introduction
Objectifs du Machine Learning
:
Prédiction de variables quantitatives (e.g. chiffre d'affaires, prix d'un bien).
Prédiction de variables binaires (e.g. spam ou pas, client risqué ou non).
Modèles de base
:
Régression linéaire pour variables quantitatives.
Régression logistique pour variables binaires.
Pourquoi la régression logistique ?
Pertinence pour variable binaire
:
Contrairement à la régression linéaire, elle est spécialement conçue pour deux modalités.
Évite les prédictions non réalistes (e.g. valeurs négatives ou supérieures à 1).
Comparaison régression linéaire vs logistique
Régression linéaire
:
Supposition d'une relation linéaire entre variables.
Peut prédire des valeurs infinies, pas adaptée pour variables binaires.
Risque de valeurs hors du cadre (e.g. -1 ou 2 pour une variable binaire).
Régression logistique
:
Prédit des probabilités (e.g. probabilité qu'un événement soit 1).
Utilise une fonction sigmoïde pour transformer les prédictions.
Basée sur une transformation logistique : ln(P/(1-P)).
Applications de la régression logistique
Industrie manufacturière
: Prédiction de défaillance de pièces.
Santé
: Détection de maladies (e.g. cancer).
Finance
: Détection de fraudes bancaires.
Marketing
: Prédiction de clics sur publicités ou vidéos.
Email
: Détection de spam.
Fonctionnement du modèle logistique
Prédiction de probabilités
:
Prédire P (probabilité de 1) avec : P = 1 / (1 + exp(- (b0 + b1X1 + ... + bnXn))).
Utilisation d'un seuil (généralement 0.5) pour classification.
Conclusion
Utilisation adéquate
:
Régression logistique pour variables à deux modalités.
Prédiction de chances d'un événement.
Choix d'un seuil pour classification.
Invitation à interaction
:
Discussion sur l'usage de la régression linéaire pour variables binaires.
Invitation à consulter des ressources pour implémentation en Python.
📄
Full transcript