Régression linéaire

Régression linéaire :

Fitting : si Xtrain est l'array 2d des variables indépendantes (variables en colonnes) et Ytrain est le vecteur de la variable dépendante, pour les données de training :
```
from sklearn.linear_model import LinearRegression
regressor = LinearRegression()
regressor.fit(Xtrain, ytrain)
ytest = regressor.predict(Xtest)
    
```
regressor.coef_ contient alors les coefficients de la régression.
regressor.intercept_ contient l'ordonnée à l'origine.
on peut avoir directement le R2 d'un dataset : score = df.score(Xtest, ytest)
pour imposer une ordonnée à l'origine nulle : regressor = LinearRegression(fit_intercept = False).

Elastic Net : combine une régularisation de type L2 (ridge regression) avec une régularisation de type L1 (LASSO)

from sklearn.linear_model import ElasticNet
regressor = ElasticNet()
regressor.fit(Xtrain, ytrain)
ytest = regressor.predict(Xtest)

on peut donner les 2 paramètres ElasticNet(alpha = 1, l1_ratio = 0.5) :
- alpha est le coefficient global du terme de régularisation (plus il est élevé, plus la pénalité est forte)
- l1_ratio est la pondération entre 0 et 1 affectée à L1 (1 - l1_ratio affectée à L2)
score = regressor.score(Xtest, ytest) : renvoie le R2.

programmer en python, tutoriel python, graphes en python, Aymeric Duclert