Régression linéaire

Fonctions :

• LinearRegression()

  La fonction LinearRegression() permet de créer un modèle de régression linéaire, un algorithme d'apprentissage supervisé utilisé pour prédire une variable cible continue en fonction d'une ou plusieurs variables indépendantes. Ce modèle suppose une relation linéaire entre les variables.

  Importation :

  from sklearn.linear_model import LinearRegression

  Attributs :

  Paramètre	Description
  fit_intercept	Booléen. Si True, le modèle inclura un terme d'interception (biais). Par défaut, il est égal à True.
  normalize	Booléen. Si True, les données d'entrée seront normalisées avant l'ajustement. Déprécié dans les versions récentes de scikit-learn.
  n_jobs	Entier. Le nombre de jobs à utiliser pour la procédure d'ajustement en parallèle. Par défaut, None (aucun parallélisme).
  positive	Booléen. Si True, les coefficients de régression sont contraints à être positifs. Par défaut, False.

  Exemple de code :

  📋 Copy

  from sklearn.linear_model import LinearRegression
  import numpy as np
  import pandas as pd
  
  # Création de données fictives
  X = np.array([[1], [2], [3], [4], [5]])  # Variable indépendante
  y = np.array([1, 2, 3, 4, 5])  # Variable cible
  
  # Initialisation du modèle
  model = LinearRegression()
  
  # Entraînement du modèle
  model.fit(X, y)
  
  # Prédictions avec le modèle
  y_pred = model.predict(X)
  
  # Affichage des résultats
  print("Coefficients:", model.coef_)
  print("Intercept:", model.intercept_)
  print("Prédictions:", y_pred)

  Explication du code :

  from sklearn.linear_model import LinearRegression importe la classe LinearRegression du module sklearn.linear_model, utilisée pour créer un modèle de régression linéaire.
  
  import numpy as np importe la bibliothèque NumPy, renommée ici en np, utilisée pour le calcul scientifique et la manipulation de tableaux multidimensionnels.
  
  import pandas as pd importe la bibliothèque pandas, renommée ici en pd, utilisée pour la manipulation et l’analyse de données sous forme de tableaux (DataFrame).
  
  Création de données fictives
  X = np.array([[1], [2], [3], [4], [5]]) crée un tableau NumPy à deux dimensions représentant la variable indépendante (aussi appelée variable explicative ou caractéristique).
  
  y = np.array([1, 2, 3, 4, 5]) crée un tableau NumPy à une dimension représentant la variable cible (la valeur que l’on veut prédire).
  
  Initialisation du modèle
  model = LinearRegression() initialise un objet régression linéaire vide nommé model, prêt à être entraîné sur des données.
  
  Entraînement du modèle
  model.fit(X, y) entraîne (ou "fit") le modèle de régression linéaire sur les données X (entrées) et y (sorties attendues). Cela signifie que le modèle calcule les meilleurs coefficients linéaires pour représenter la relation entre X et y.
  
  Prédictions avec le modèle
  y_pred = model.predict(X) utilise le modèle entraîné pour effectuer des prédictions sur les mêmes valeurs de X. Le résultat est stocké dans y_pred.
  
  Affichage des résultats
  print("Coefficients:", model.coef_) affiche le coefficient (ou pente) de la droite de régression calculée. Cela indique l’impact de X sur y.
  
  print("Intercept:", model.intercept_) affiche l’ordonnée à l’origine (ou "biais") de la droite de régression.
  
  print("Prédictions:", y_pred) affiche les valeurs prédites par le modèle pour chaque valeur de X. Puisque les données suivent une relation parfaitement linéaire (y = x), les prédictions seront très proches des valeurs de y.