Introduction aux LSTM et Régression

Quelle est la principale caractéristique des réseaux LSTM par rapport aux modèles classiques ?

• Ils utilisent des arbres de décision

• Ils peuvent mémoriser des informations sur le long terme

• Ils sont uniquement utilisés pour la classification

• Ils ne nécessitent pas de données séquentielles

La régression linéaire simple cherche à modéliser :

• Une relation entre plusieurs variables indépendantes et dépendantes

• Une relation non linéaire entre les variables

• Une relation linéaire entre une variable indépendante et une variable dépendante

• Une série temporelle non stationnaire

Le LSTM est surtout adapté pour :

• Prédire des catégories isolées

• Résoudre des systèmes d'équations

• Analyser des données séquentielles ou temporelles

• Représenter des graphes

En régression linéaire, que signifie un R² proche de 1 ?

• Le modèle est biaisé

• Le modèle ne peut pas prédire

• Le modèle explique très bien la variance des données

• Le modèle est surajusté

Le principe de causalité implique que :

• Une variable X influence une variable Y dans le temps

• Les variables sont indépendantes

• Les variables n'ont aucun lien

• Il n'y a pas de relation linéaire entre les variables

Parmi les métriques suivantes, laquelle mesure l'erreur moyenne au carré ?

• MAE (Mean Absolute Error)

• MSE (Mean Squared Error)

• R² (coefficient de détermination)

• Accuracy

Dans un modèle LSTM, quel composant contrôle le passage ou non de l'information ?

• Le neurone de sortie

• Les fonctions d'activation

• Les portes (gate)

• Le biais

Le coefficient de détermination R² est utilisé pour :

• Calculer les gradients dans un réseau neuronal

• Mesurer l'efficacité de la mémoire d'un LSTM

• Évaluer la qualité d'un modèle de régression

• Déterminer si les données sont stationnaires

Si une erreur quadratique moyenne (MSE) est très élevée, cela signifie que :

• Le modèle est très précis

• Le modèle surestime la causalité

• Le modèle a de grandes erreurs de prédiction

• Le modèle est linéaire

La principale différence entre un LSTM et une régression linéaire simple est :

• La régression utilise des réseaux neuronaux

• LSTM est utilisé pour des données non numériques

• La régression linéaire ne gère pas la dépendance temporelle, contrairement à LSTM

• LSTM est plus simple à interpréter