Régression linéaire - Prédiction de salaire (Python)

Рет қаралды 11,525

Күн бұрын

Github : github.com/rob...
Playlist Machine Learning : • Machine Learning
Prédiction du salaire via l'algorithme de Machine Learning de régression linéaire via Python.
Installation et utilisation de Jupyter Notebook : • Installation Python vi... et • Python - Jupyter Notebook

Пікірлер: 12

@adammeda75 10 ай бұрын

Bonjour, tout d'abord je souhaite vous remercier pour le travail que vous fournissez. Etant étudiant en école d'ingénieur vos vidéos sont d'une grande aide pour moi. Je souhaiterais savoir si vos slides sont accessibles depuis un site internet ou autre. En effet en continuant votre série sur le machine Learning on accumule beaucoup d'information. Avoir à disposition vos slides constituerait un vrai plus !

@engineering_life9550 10 ай бұрын

Bonjour, mes slides ne sont malheureusement pas disponibles sur un site internet.

@Abutturab 4 ай бұрын

Top !

@Haziz90 4 ай бұрын

Merci pour la video. Super travail. Juste une question, lorsque que tu crées la droite pourquoi tu prends 0.15 et 1000 ? A quoi ca correspond ?

@engineering_life9550 3 ай бұрын

On va de 0 à 15 sur l'axe des abscisses et on a 1000 données pour x comprises entre 0 et 15.

@ErrorTrue 6 ай бұрын

On fait pour que le code marche faut utiliser regressor.fit(X_train.values.reshape((-1, 1)), y_train) pour une raison d'eviter une dispute avec votre data ou bien generer une data bien gentille avec ce ci x = np.linspace(0, 100, 100) y = 5 * x - 12 ry = np.random.normal(scale=80,size=y.shape[0]) + y

@engineering_life9550 5 ай бұрын

Peut-être un changement de versions...

@Piwi78000 11 ай бұрын

Bonjour, pourrais tu expliquer quel est l'interprétation des valeur de MAE, MSE et RMSE dans ton exemple ? Merci

@engineering_life9550 11 ай бұрын

Ce sont des métriques d'évaluation (dont les formules se trouvent ici : kzbin.info/www/bejne/fpeVeHicdqyhhJY). L'idéal est d'utiliser différents algorithmes et choisir celui qui donne les métriques les + faibles. La métrique R² est plus facile à interpréter : au plus près de 1 c'est, au mieux c'est.