QCM - Régression Linéaire & LSTM

Dans une régression linéaire multiple, si deux variables explicatives sont fortement corrélées entre elles, cela peut causer :

• Une baisse du R²

• Une rupture de normalité

• De la multicolinéarité

• Une sous-estimation du bruit

Quelle est l'hypothèse principale de la régression linéaire sur la relation entre X et Y ?

• La relation est quadratique

• La relation est causale

• La relation est non déterministe

• La relation est linéaire

Dans un modèle LSTM, la fonction `return_sequences=True` permet :

• D'avoir des résultats en temps réel

• De récupérer toutes les sorties à chaque pas de temps

• D'activer le dropout

• D'utiliser une fonction d'activation différente

Le LSTM est particulièrement utile pour les séries temporelles car il :

• Applique une méthode de lissage exponentiel

• Est basé uniquement sur des fonctions polynomiales

• Mémorise les dépendances longues dans le temps

• N'utilise pas de rétropropagation

Si le R² d'un modèle est très élevé mais que les prédictions sont mauvaises sur de nouvelles données, on parle de :

• Sous-ajustement

• Surcharge de bruit

• Overfitting (surapprentissage)

• Suralimentation

Quelle est la différence majeure entre une architecture LSTM et une régression linéaire simple ?

• LSTM est plus rapide à entraîner

• La régression linéaire dépend du gradient

• LSTM gère des relations temporelles séquentielles

• La régression utilise une fonction d'activation ReLU

Dans une régression linéaire, le terme "résidu" désigne :

• Une variable non mesurable

• La différence entre valeur prédite et valeur réelle

• Une variable catégorielle

• Une valeur sans importance

Une LSTM peut être surajustée si :

• On utilise trop peu de séquences

• Le taux d'apprentissage est trop élevé

• Le modèle a trop de couches et pas assez de données

• Elle utilise une activation sigmoïde

Quel est l'effet d'ajouter une variable non pertinente à une régression linéaire ?

• Le MAE va toujours baisser

• R² ajusté peut diminuer

• Les résidus deviennent plus aléatoires

• Cela réduit automatiquement le surajustement

Dans les LSTM, les *forget gates* (portes d'oubli) servent à :

• Réinitialiser l'ensemble du modèle

• Supprimer complètement l'état caché

• Décider quelles informations passées doivent être oubliées

• Prédire les valeurs futures