Régression

Cette méthode d’analyse de données regroupe des algorithmes d’apprentissage supervisé adaptés aux données quantitatives. L’objectif est d’apprendre (autrement dit de trouver) la relation qui lie une variable d’intérêt, de type quantitative, aux autres variables observées, éventuellement dans un but de prédiction. On utilise la régression lorsque la variable d’intérêt est quantitative, c’est à dire « à valeur » dans un espace métrique – la métrique est une notion de distance définie dans l’espace – et souvent « à valeur continue ». Par exemple on peut essayer de prédire l’âge d’un utilisateur en fonction de son comportement ; l’âge est une donnée continue avec la métrique usuelle des nombres réels (23 ans et 22 ans sont distants de 1 an). Les algorithmes de régression les plus simples sont de type régression linéaire, les plus compliqués de type régression à noyau des moindres carrés, réseau de neurones, support vector machine.