Introduction
Le modèle de régression linéaire est simple et facile à modéliser, mais il incarne quelques idées de base importantes en apprentissage automatique.
Étant donné un échantillon $x=(x_1;x_2;\cdots;x_d)$ avec $d$ attributs, le modèle linéaire peut apprendre une fonction qui prédit par la combinaison linéaire des attributs, c'est-à-dire $f(x) = w_1\cdot x_1 + w_2 \cdot x_2 + \cdots + w_d \cdot x_d + b + \epsilon$,
Ici, $b + \epsilon$ est une constante, et $\epsilon$ représente le terme d'erreur. Étant donné que la longueur de l'attribut est $d$, ce modèle linéaire est également appelé modèle de régression linéaire de dimension $d$.
Par exemple, un modèle de régression linéaire tridimensionnel :
$$f_{niveau_d'un_ingénieur_en_IA} = 0,4 x_1 + 0,5 x_2 + 0,1 x_3 + 1,2$$
Ici :
- $x_1$ signifie les compétences en programmation.
- $x_2$ signifie les compétences en algorithmes.
- $x_3$ signifie les compétences en communication.
Dans ce défi, nous allons travailler sur un problème lié à la régression linéaire. L'objectif est de trouver la valeur de l'exposant $p$ qui transforme une distribution non linéaire donnée en une distribution linéaire.
