Deep Learning avec Keras et TensorFlow

26

Chapitre 1. Les fondamentaux du Machine Learning

Ce n’est pas mal ! Le modèle donne l’estimation yˆ = 0,56 x

1

2

+ 0,93 x

1

+ 1,78 alors

que la fonction d’origine était y = 0,5 x

1

2

+ 1,0 x

1

+ 2,0 + bruit gaussien.

Notez que lorsqu’il y a des variables multiples, la régression polynomiale est

capable de mettre en évidence des relations entre ces variables (ce que ne peut pas

faire un modèle de régression linéaire simple). Ceci est rendu possible par le fait que

PolynomialFeatures ajoute toutes les combinaisons de variables jusqu’à un cer

-

tain degré. Si vous avez par exemple deux variables a et b, PolynomialFeatures

avec degree=3 ne va pas seulement ...