ML Supervisé : Régression
Régression linéaire, Ridge, Lasso, ElasticNet, métriques (MSE, RMSE, R²), overfitting, régularisation
1Quel est l'objectif principal de la régression linéaire ?
Quel est l'objectif principal de la régression linéaire ?
Réponse
La régression linéaire vise à modéliser la relation entre une variable dépendante (cible) et une ou plusieurs variables indépendantes (features) en trouvant la ligne droite qui minimise la somme des erreurs au carré. Cette technique permet de prédire des valeurs continues et constitue la base de nombreux algorithmes plus complexes.
2Dans la régression linéaire simple, que représente le coefficient bêta (β₁) ?
Dans la régression linéaire simple, que représente le coefficient bêta (β₁) ?
Réponse
Le coefficient β₁ représente la pente de la droite de régression, indiquant de combien la variable cible change pour une augmentation d'une unité de la variable indépendante. Un β₁ positif signifie une relation positive, tandis qu'un β₁ négatif indique une relation inverse entre les variables.
3Quelle méthode est utilisée pour trouver les coefficients optimaux en régression linéaire ?
Quelle méthode est utilisée pour trouver les coefficients optimaux en régression linéaire ?
Réponse
La méthode des moindres carrés ordinaires (OLS) minimise la somme des carrés des résidus, c'est-à-dire la différence entre les valeurs observées et prédites. Cette approche fournit une solution analytique fermée et est la méthode standard pour estimer les paramètres de régression linéaire.
Que mesure le coefficient de détermination R² en régression ?
Quelle est la différence entre MSE (Mean Squared Error) et RMSE (Root Mean Squared Error) ?
+21 questions d'entretien
Autres sujets d'entretien Data Science & ML
Les bases de Python
Programmation Orientée Objet Python
Structures de données Python
Fondamentaux Git
Les bases de SQL
Fondamentaux NumPy
Les bases de Pandas
Jupyter & Google Colab
SQL Joins & Requêtes avancées
Pandas avancé
Visualisation avec Matplotlib & Seaborn
Visualisations interactives avec Plotly
Statistiques descriptives
Statistiques inférentielles
Web Scraping
BigQuery & Cloud Data
Feature Engineering
ML Supervisé : Classification
Arbres de décision & Ensembles
ML Non supervisé
Pipelines ML & Validation
Séries temporelles & Prévisions
Fondamentaux Deep Learning
TensorFlow & Keras
CNN & Classification d'images
RNN & Séquences
Transformers & Attention
NLP & Hugging Face
GenAI & LangChain
MLOps & Déploiement
Maîtrise Data Science & ML pour ton prochain entretien
Accède à toutes les questions, flashcards, tests techniques, exercices de code review et simulateurs d'entretien.
Commencer gratuitement