Mise en œuvre de la régression linéaire, de la régression lasso/ridge et de la régression ridge avec astuce de noyau dans un exemple de la vie réelle

Les régressions linéaires sont des outils simples et pratiques qui s'appliquent à modéliser la relation entre plusieurs variables ; cette régression peut également extrapoler ou interpoler en fonction des valeurs données pour prédire d'autres valeurs. Pour étudier comment les régressions linéaires, les régressions linéaires avec astuce de noyau, et la régression linéaire avec régularisations lasso et ridge s'appliquent dans diverses situations de la vie réelle, cet article discutera des distinctions entre les régressions et évaluera chacune de leur efficacité en les mettant en œuvre dans quelques ensembles de données multivariées, l'un impliquant des taux de criminalité et des caractéristiques de logement à Boston, l'autre concernant l'efficacité énergétique et les caractéristiques des voitures. Nous concluons que la régression linéaire obtient les meilleurs résultats dans les métriques MSE (40.316) et RMSE (6.349), tandis que la régression Lasso donne les meilleurs résultats dans les métriques MAE (2.804) et MAPE (19.689).