LinearRegression : predire une valeur continue

Predire le prix d'un appartement en fonction de sa surface, de son etage et de son quartier. Estimer le salaire d'un candidat selon son experience. La regression lineaire est le modele le plus fondamental pour predire une valeur continue.

L'idee : trouver la meilleure droite (ou hyperplan en plusieurs dimensions) qui passe au plus pres de tous les points. En 2D, c'est y = a*x + b. Le modèle apprend les coefficients (a) et l'ordonnée a l'origine (b).

from sklearn.linear_model import LinearRegression
model = LinearRegression()
model.fit(X_train, y_train)
predictions = model.predict(X_test)
model.coef_ # les coefficients (poids de chaque feature)
model.intercept_ # l'ordonnée a l'origine

Écris une fonction regression_lineaire(X_train, y_train, X_test) qui entraine une LinearRegression et renvoie :
'predictions' : les predictions sur X_test
'coefficients' : les coefficients du modèle (list)
'intercept' : l'ordonnée a l'origine (float)

Tests (4/4)

Predictions correctes

import numpy as np
X_train = np.array([[1], [2], [3], [4]])
y_train = np.array([2, 4, 6, 8])
X_test = np.array([[5]])
result = regression_lineaire(X_train, y_train, X_test)
assert abs(result['predictions'][0] - 10.0) < 1e-6

Coefficient correct

import numpy as np
X_train = np.array([[1], [2], [3], [4]])
y_train = np.array([2, 4, 6, 8])
result = regression_lineaire(X_train, y_train, np.array([[5]]))
assert abs(result['coefficients'][0] - 2.0) < 1e-6

Intercept correct

import numpy as np
X_train = np.array([[1], [2], [3]])
y_train = np.array([3, 5, 7])
result = regression_lineaire(X_train, y_train, np.array([[0]]))
assert abs(result['intercept'] - 1.0) < 1e-6

Plusieurs features

import numpy as np
X_train = np.array([[1, 1], [2, 2], [3, 3]])
y_train = np.array([3, 6, 9])
result = regression_lineaire(X_train, y_train, np.array([[4, 4]]))
assert len(result['coefficients']) == 2

Indices (3 disponibles)

Solution officielle

import numpy as np
from sklearn.linear_model import LinearRegression

def regression_lineaire(X_train, y_train, X_test):
    model = LinearRegression()
    model.fit(X_train, y_train)
    return {
        'predictions': model.predict(X_test),
        'coefficients': list(model.coef_),
        'intercept': float(model.intercept_),
    }

← Cross-validation avec cross_val_score Metriques de regression : MAE, … →

solution.py

Bravo!

LinearRegression : predire une valeur continue

Tests (4/4)

Indices (3 disponibles)

Solution officielle