WorksheetsQCM - Régression Linéaire & LSTM
Total questions: 10
Worksheet time: 5mins
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
