Bonne réponse
Explication
Prédire le prix exact du marché d'une maison est une tâche de régression car la variable cible (le prix) est une valeur numérique continue. Les algorithmes de régression, tels que la régression linéaire ou la régression par arbres de décision, apprennent la relation entre les caractéristiques d'entrée (par exemple, la surface habitable, les chambres, l'emplacement) et une sortie continue. Dans Azure Machine Learning, vous sélectionneriez un modèle de régression à partir du concepteur ou d'AutoML pour résoudre ce problème.
Pour aller plus loin
Les modèles de régression apprennent une mise en correspondance continue entre les caractéristiques d'entrée et une cible numérique en minimisant une perte telle que l'erreur quadratique moyenne, de sorte que la sortie est un nombre à valeurs réelles plutôt qu'une étiquette discrète. Sous le capot, la régression linéaire ajuste les coefficients par la méthode des moindres carrés ordinaires, tandis que les régresseurs à gradient boosté ou neuronaux optimisent le même objectif d'erreur quadratique de manière itérative. Une subtilité intéressante à connaître est que la régression prédit une espérance conditionnelle, de sorte qu'elle peut produire des valeurs en dehors de toute plage plausible, telles qu'un prix négatif ; les praticiens tronquent ou appliquent souvent une transformation logarithmique à la cible. Cela compte dans l'évaluation immobilière, où un modèle estimant le prix exact du marché alimente des décisions d'évaluation automatisées ou de prêt, et mal classifier la tâche en tant que classification éliminerait complètement les informations de magnitude ordinale.
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.