Linear Regression

La régression linéaire est une méthode statistique fondamentale et un algorithme essentiel de l'apprentissage supervisé utilisé pour modéliser la relation entre une variable dépendante (cible) et une ou plusieurs variables indépendantes (caractéristiques). Contrairement aux algorithmes de classification qui prédisent des catégories discrètes, la régression linéaire prédit une sortie continue, ce qui la rend indispensable pour les tâches dont l'objectif est de prévoir des valeurs numériques précises. Sa simplicité et son interprétabilité servent de porte d'entrée à la compréhension de concepts plus complexes d'apprentissage automatique (ML), car elle introduit les mécanismes fondamentaux par lesquels les modèles apprennent à partir de données en minimisant l'erreur.

Link to this sectionMécanismes fondamentaux et entraînement#

L'objectif principal de cette technique est de trouver la "droite de meilleur ajustement" — ou un hyperplan dans des dimensions supérieures — qui décrit le mieux le modèle des données. Pour y parvenir, l'algorithme calcule une somme pondérée des caractéristiques d'entrée augmentée d'un terme de biais. Au cours du processus d'entraînement, le modèle ajuste de manière itérative ces paramètres internes, appelés poids et biais, afin de réduire l'écart entre ses prédictions et la réalité du terrain.

Cet écart est quantifié à l'aide d'une fonction de perte, le choix le plus courant étant l'erreur quadratique moyenne (MSE). Pour minimiser efficacement la perte, un algorithme d'optimisation tel que la descente de gradient est utilisé pour mettre à jour les poids. Si le modèle s'aligne trop étroitement sur le bruit présent dans les données d'entraînement, il risque le surapprentissage (overfitting), tandis qu'un modèle trop simple pour capturer la tendance sous-jacente souffre de sous-apprentissage (underfitting).

Link to this sectionApplications concrètes en IA#

Bien qu'elle soit souvent associée à la modélisation prédictive simple en analyse de données, les principes de la régression linéaire sont profondément ancrés dans les architectures avancées d'apprentissage profond (DL).

• Prévisions financières : Les analystes utilisent la régression pour prédire le prix des logements, la valeur des actions ou le chiffre d'affaires sur la base de points de données historiques tels que la surface, l'emplacement ou les tendances passées du marché.
• Vision par ordinateur et détection d'objets : Les détecteurs d'objets modernes, tels que la famille de modèles YOLO26, utilisent la régression dans leurs têtes de détection. Plus précisément, le modèle effectue une "régression de boîte englobante" pour prédire les coordonnées continues précises (x central, y central, largeur, hauteur) d'un objet dans une image.

Link to this sectionRégression linéaire vs. Régression logistique#

Il est important de distinguer ce terme de la régression logistique. Bien qu'il s'agisse dans les deux cas de modèles linéaires, leurs sorties diffèrent considérablement. La régression linéaire prédit une valeur numérique continue (par ex., le prix d'une voiture). En revanche, la régression logistique est utilisée pour des tâches de classification, prédisant la probabilité qu'une entrée appartienne à une catégorie spécifique (par ex., si un e-mail est "spam" ou "non spam") en faisant passer la sortie linéaire par une fonction d'activation comme la fonction sigmoïde.

Link to this sectionExemple : Régression dans la détection d'objets#

Dans le contexte de la vision par ordinateur, lorsqu'un modèle comme YOLO26 détecte un objet, les coordonnées de la boîte englobante sont le résultat d'une tâche de régression. Le modèle prédit des valeurs continues pour localiser l'objet avec précision.

from ultralytics import YOLO

# Load the YOLO26 model (nano version)
model = YOLO("yolo26n.pt")

# Run inference on an image
# The model uses regression to determine the exact box placement
results = model("https://ultralytics.com/images/bus.jpg")

# Display the continuous regression outputs (x, y, width, height)
for box in results[0].boxes:
    print(f"Box Regression Output (xywh): {box.xywh.numpy()}")

Les utilisateurs souhaitant entraîner des modèles personnalisés qui tirent parti de ces capacités de régression pour des jeux de données spécialisés peuvent utiliser la plateforme Ultralytics pour une annotation rationalisée et un entraînement dans le cloud. Comprendre ces principes de régression de base fournit une base solide pour maîtriser des tâches complexes en intelligence artificielle (IA) et en vision par ordinateur.