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.
