Il existe quelques bonnes pratiques pour éviter l'ajustement excessif de vos modèles de régression. L'une d'entre elles consiste à diviser vos données en ensembles de formation et de test. Une autre solution consiste à utiliser la validation croisée. Et une troisième alternative consiste à introduire des caractéristiques polynomiales. Ce module vous présente le cadre théorique et quelques exemples pratiques de ces meilleures pratiques.

Il existe un compromis entre la taille de votre ensemble de formation et celle de votre ensemble de test. Si vous utilisez la plupart de vos données pour la formation, vous aurez moins d'échantillons pour valider votre modèle. Inversement, si vous utilisez plus d'échantillons pour les tests, vous aurez moins d'échantillons pour former votre modèle. La validation croisée vous permettra de réutiliser vos données afin d'utiliser davantage d'échantillons pour la formation et le test

Ce module vous présente la théorie et quelques exemples pratiques de régressions de régularisation, notamment ridge, LASSO et elastic net. Vous comprendrez les principaux avantages et inconvénients de ces techniques, ainsi que leurs différences et similitudes.

Dans cette section, vous comprendrez la relation entre la fonction de perte et les différents types de régularisation

Dans ce travail, vous appliquerez des techniques de régression pour analyser un ensemble de données de votre choix. Votre tâche consiste à prétraiter les données, à construire et à comparer des modèles, à extraire des informations et à suggérer les prochaines étapes.Vous vous concentrerez sur la présentation des résultats et des informations clés, et non sur le code. Vous pouvez inclure des éléments visuels pour appuyer votre analyse, mais le rapport doit être un résumé clair de votre processus et de vos conclusions. Votre rapport final sera évalué par un outil noté par l'IA.