Régression
Tâche d'apprentissage supervisé visant à prédire une valeur continue (ex: un prix, une température).
La régression est une famille de modèles en apprentissage supervisé où l’on apprend une relation entre des variables d’entrée (features) et une sortie numérique. Contrairement à la classification (qui prédit une catégorie), la sortie est continue : montant, durée, consommation, score, etc. Le jeu de données contient des exemples annotés, par exemple (surface, quartier, année) → prix.
Comment ça fonctionne
Un modèle de régression cherche une fonction ( f(x) ) qui approxime au mieux la cible ( y ). L’entraînement consiste à minimiser une erreur entre prédictions et valeurs réelles (souvent l’erreur quadratique moyenne, MSE). Selon le modèle, cette fonction peut être :
- linéaire (régression linéaire, Ridge/Lasso),
- non linéaire (arbres, forêts, gradient boosting),
- réseaux de neurones (régression profonde).
À quoi ça sert
Elle permet d’estimer une valeur future ou inconnue, d’expliquer l’influence des variables et d’aider à la décision (pricing, prévisions, monitoring).
Exemples courants
- prédire le prix d’un bien immobilier,
- estimer la demande ou le chiffre d’affaires,
- prévoir une température ou une consommation énergétique,
- calculer un temps de livraison attendu.