Expert

Régression Linéaire

Utilisée pour prédire une valeur continue (prix, température, vitesse).

Le Modèle

On cherche une droite (ou un hyperplan) d'équation : y = ax + b

  • a (pente/coefficient) : L'impact de la variable x sur y.
  • b (intercept) : La valeur de base quand x = 0.

Minimiser l'Erreur

L'algorithme cherche à minimiser la distance entre les points réels et la droite. On utilise souvent la Mean Squared Error (MSE).

Exemple Scikit-Learn

from sklearn.linear_model import LinearRegression
import numpy as np

# Surface (m2) -> Prix (k€)
X = np.array([[30], [50], [80], [100]])
y = np.array([150, 250, 400, 500])

model = LinearRegression()
model.fit(X, y)

print(f"Coefficient: {model.coef_[0]}") # Prix par m2
print(f"Prédiction 60m2: {model.predict([[60]])}")

💪 À vous de jouer !

Utilisez le notebook interactif ci-dessous pour tester le code directement ici !

← Précédent Suivant →