Entraînez un modèle prédictif linéaire

Vous avez découvert le concept d’apprentissage supervisé dans le cours Initiez-vous au machine learning. Dans ce cours, vous avez appris à évaluer un modèle de classification ou de régression…

Il est maintenant temps de découvrir les algorithmes classiques du machine learning supervisé. Dans ce cours, vous apprendrez à maîtriser les algorithmes dont la fonction de décision est une combinaison linéaire des variables.

Vous découvrirez en particulier la régression linéaire et la régression logistique. Vous apprendrez à contrôler les poids affectés à chacune des variables pour éviter le sur-apprentissage ou construire des modèles parcimonieux. Vous comprendrez le fonctionnement des machines à vecteurs de support (SVM). Enfin, vous saurez résoudre des problèmes de classification à plus de deux classes.

Suivez ce cours pour développer des modèles linéaires prédictifs sur vos données !

Prérequis :

Ce cours de Data Science se situe au croisement des mathématiques et de l'informatique. Pour en profiter pleinement, n'hésitez pas à vous rafraîchir la mémoire, avant ou pendant le cours, sur :

• Python pour le calcul numérique que nous utiliserons dans la partie TP du cours (librairie numpy et création de graphes avec pyplot),
• Quelques notions d'algèbre linéaire, telles que manipulation de vecteurs, multiplications de matrices, normes,
• Quelques notions de probabilités et statistiques, telles que distribution de loi de probabilité et variance.

Part #1 - Prédisez des étiquettes quantitatives à l’aide d’une combinaison linéaire des variables
1. Trouvez une combinaison linéaire de variables qui approxime leurs étiquettes
2. Contrôlez la complexité de votre modèle
3. Réduisez l’amplitude des poids affectés à vos variables
4. Réduisez le nombre de variables utilisées par votre modèle
5. TP - Comparez le comportement du lasso et de la régression ridge
Quiz: Partie 1

Part #2 - Séparez linéairement vos observations
1. Prédisez linéairement la probabilité de l’appartenance d’un point à une classe
2. Maximisez la marge de séparation entre vos classes
3. Classifiez vos données en plus de deux classes
4. TP - Entraînez une régression logistique et une SVM linéaire
Activity: Classez automatiquement des feuilles d’arbres