Bonne réponse
Explication
Il s'agit d'une tâche de régression car l'objectif est de prédire une valeur numérique continue (le prix de vente) sur la base de caractéristiques d'entrée. Les modèles de régression apprennent la relation entre les variables indépendantes (superficie, chambres, emplacement) et une variable dépendante (prix) pour produire un nombre réel. Dans Azure Machine Learning, des algorithmes de régression tels que la régression linéaire, la régression par forêt de décision ou la régression par réseau de neurones conviennent à ce scénario.
Pour aller plus loin
La régression prédit une cible numérique continue, de sorte que le modèle apprend une fonction qui associe des caractéristiques telles que la superficie en pieds carrés, le nombre de chambres et l'emplacement encodé à un prix à valeur réelle, en minimisant généralement l'erreur quadratique moyenne. La classification génère plutôt des étiquettes de classe discrètes, le clustering regroupe des données non étiquetées sans cible, et l'apprentissage par renforcement optimise les actions par le biais de signaux de récompense. Une subtilité est que la régression suppose que la distribution de la cible et la structure des erreurs ont de l'importance : des prix asymétriques justifient souvent une transformation logarithmique, et l'évaluation utilise MAE, RMSE ou R au carré plutôt que la précision. En pratique, un modèle immobilier entraîné de cette manière doit également se prémunir contre l'extrapolation, car la prédiction de prix pour des tailles très éloignées de la plage d'entraînement donne des résultats peu fiables, et l'emplacement catégoriel nécessite un encodage approprié pour éviter d'impliquer une distance ordinale entre les quartiers.
À propos de ces questions d'entraînement
Cette question fait partie des questions d'entraînement AI-900 originales de Courseiva, rédigées pour apprendre et jamais copiées d'examens réels ou de dumps.
Traduite de l'original anglais avec l'IA et vérifiée pour le sens. Les codes d'examen, les commandes et les noms de produits sont conservés tels qu'ils apparaissent à l'examen.