Régression

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.