WorksheetsIntroduction aux LSTM et Régression
Total questions: 10
Worksheet time: 5mins
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
