Linear Regression

La régression linéaire est une méthode statistique fondamentale et un algorithme de base en supervised learning 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 pour quoi elle est essentielle dans les tâches où l'objectif est de prévoir des valeurs numériques spécifiques. Sa simplicité et son interopérabilité servent de passerelle pour comprendre des concepts de machine learning (ML) plus complexes, car elle introduit les mécanismes fondamentaux de la façon dont les modèles apprennent à partir des données en minimisant l'erreur.

Mécanismes fondamentaux et entraînement#

L'objectif principal de cette technique est de trouver la « ligne de meilleur ajustement » — ou un hyperplan dans des dimensions supérieures — qui décrit au mieux le modèle des données. Pour y parvenir, l'algorithme calcule une somme pondérée des caractéristiques d'entrée plus un terme de biais. Pendant le processus d'entraînement, le modèle ajuste de manière itérative ces paramètres internes, connus sous le nom de weights and biases, pour réduire l'écart entre ses prédictions et la réalité du terrain.

Cet écart est quantifié à l'aide d'une loss function, le choix le plus courant étant le Mean Squared Error (MSE). Pour minimiser efficacement la perte, un optimization algorithm tel que le gradient descent est utilisé pour mettre à jour les poids. Si le modèle s'aligne trop étroitement sur le bruit dans les training data, il risque le overfitting, tandis qu'un modèle trop simple pour capturer la tendance sous-jacente souffre de underfitting.

Applications concrètes en IA#

Bien qu'elle soit souvent associée à la predictive modeling simple en data analytics, les principes de la régression linéaire sont profondément ancrés dans les architectures de deep learning (DL) avancées.

• 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.
• Computer Vision and Object Detection: 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 (centre x, centre y, largeur, hauteur) d'un objet dans une image.

Régression linéaire vs. Régression logistique#

Il est important de distinguer ce terme de la Logistic Regression. Bien que tous deux soient des modèles linéaires, leurs sorties diffèrent considérablement. La régression linéaire prédit une valeur numérique continue (par exemple, le prix d'une voiture). En revanche, la régression logistique est utilisée pour les tâches de classification, en prédit la probabilité qu'une entrée appartienne à une catégorie spécifique (par exemple, si un e-mail est du « spam » ou « non spam ») en passant la sortie linéaire par une activation function telle que la fonction sigmoïde.

Exemple : 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 cherchant à entraîner des modèles personnalisés qui exploitent ces capacités de régression pour des jeux de données spécialisés peuvent utiliser la Ultralytics Platform pour une annotation simplifiée et un entraînement dans le cloud. Comprendre ces principes de régression de base fournit une base solide pour maîtriser des tâches complexes en artificial intelligence (AI) et en computer vision.