Le Lasso : la régression qui apprend à ignorer des variables
Une pénalité sur la valeur absolue des coefficients, un losange aux coins sur les axes : voilà comment le Lasso met des variables à zéro tout seul.
Cours & Tutoriels : Maths
Algèbre linéaire, probabilités, statistiques et optimisation : les mathématiques essentielles pour comprendre l’IA, expliquées clairement.
GAM : une courbe par variable, additionnées en un seul modèle
Un modèle additif généralisé donne à chaque variable sa propre courbe, puis les additionne. Ce qu’est un GAM, ce qu’il apporte et ce qu’il ne voit pas.
Régression ridge : brider les coefficients pour stabiliser
La régression ridge ajoute une pénalité aux moindres carrés. Ce qu’elle change, ce que règle λ, pourquoi elle ne supprime aucune variable.
RSS : ce que la somme des carrés des résidus mesure
Le RSS (residual sum of squares) additionne les carrés des écarts entre réalité et prédictions. Définition, rôles en coulisses et pièges d’un RSS trop petit.
Coefficient de détermination : ce que le R² mesure vraiment
Le R² compare ton modèle à celui qui répond toujours la moyenne. Formule, lecture de 0 à 1, lien avec la corrélation, calcul en Python et limites à connaître.
K plus proches voisins : prédire en regardant autour de soi
Un point à classer, une seule question : qui est à côté ? Comprends la méthode des K plus proches voisins, son calcul, son lien avec Bayes et ses limites.
Régression logistique : les maths, sans le jargon
Probabilité, exponentielle, logarithme, pente : les idées de maths derrière la régression logistique, expliquées pas à pas avec des mots simples.
Régression linéaire : les maths derrière la droite, sans jargon
Pente, écart, dérivée, covariance, matrice, descente pas à pas : les idées mathématiques de la régression linéaire racontées avec des mots simples.