Comment la planification d’enquêtes peut aider votre marque
Comment la planification d’enquêtes peut aider votre marque PARTAGER L’ARTICLE SUR Table des matières Il n’est pas toujours facile de lancer une enquête manuellement en
Obtenez une consultation gratuite de 15 minutes avec nos experts.
PARTAGER L’ARTICLE SUR
L’apprentissage automatique est l’une des technologies les plus avancées dans le monde d’aujourd’hui axé sur les données. De nombreuses entreprises sondent leur public et recueillent des tonnes et des tonnes de données pour en tirer des conclusions. Elles utilisent des outils avancés de science des données pour le processus de prédiction.
La régression linéaire et la régression logistique sont les deux algorithmes les plus célèbres et les plus couramment utilisés en matière d’apprentissage automatique. Les deux étant des algorithmes d’apprentissage automatique supervisés, ils servent des objectifs différents. La régression linéaire est utilisée pour prédire les valeurs continues, tandis que la régression logistique est utilisée dans la classification binaire des valeurs.
Dans cet article, nous verrons en quoi les deux sont différents l’un de l’autre. Commençons tout d’abord par définir les deux.
Une régression linéaire d’algorithme d’apprentissage automatique supervisé suppose la présence d’une relation linéaire entre des variables indépendantes et dépendantes. La régression linéaire est utilisée pour prédire la valeur en fonction de la variable indépendante.
La régression logistique est également un algorithme d’apprentissage automatique supervisé. Cependant, le point de différence est qu’il s’agit d’un algorithme de classification. La régression logistique utilise la valeur de la variable indépendante pour prédire la catégorie de la variable dépendante.
Transformez votre collecte d’informations
Créez un processus de collecte d’insights exploitable.
Caractéristique | Régression linéaire | Régression logistique |
Définition | Technique d’apprentissage supervisé pour résoudre des problèmes de régression | Technique d’apprentissage supervisé principalement utilisée pour les problèmes de classification |
Utilisation | Utilisée pour prédire des valeurs dépendantes continues à l’aide de variables indépendantes | Utilisée pour la classification binaire ou la séparation de valeurs dépendantes discrètes à l’aide de variables indépendantes |
Sortie | La production ne peut être que des valeurs continues telles que l’âge, la taille, le temps, le prix, le salaire, etc. | La sortie ne peut être comprise qu’entre 0 et 1. |
Sortie graphique | Nous trouvons une ligne linéaire la mieux ajustée qui prédira la prochaine valeur ou variable | On trouve une courbe en S ou courbe sigmoïde qui classe les variables |
Précision de l’estimation | Méthode du moindre carré | Méthode d’estimation de la probabilité maximale |
Relation variable | La relation entre la variable dépendante et indépendante doit être linéaire | La relation entre la variable dépendante et indépendante n’est pas requise |
Colinéarité | La colinéarité entre variables indépendantes est autorisée | La colinéarité entre variables indépendantes n’est pas autorisée |
Applications | Utilisée dans les entreprises et la prévision des stocks | Utilisée dans la classification et le traitement d’images |
[Lire aussi : Hypothèse de régression logistique]
Obtenez le guide des tendances des études de marché, le guide des sondages en ligne, le guide d’étude de marché agile et 5 modèles d’étude de marché
La régression linéaire est un algorithme d’apprentissage automatique utilisé pour prédire les valeurs des variables de sortie en fonction des valeurs des variables d’entrée.
Les variables x sont les variables d’entrée indépendantes et y sont les variables de sortie dépendantes. La valeur de y dépend de la valeur de x.
La régression linéaire fonctionne en définissant la relation entre les variables d’entrée et de sortie. Elle trace une ligne qui trace les données d’entrée et les mappe aux données de sortie. Cette ligne est la ligne d’ajustement et est une représentation mathématique de la relation entre les variables indépendantes. La ligne est destinée à couvrir autant de variables d’entrée que possible et les variables laissées de côté sont les valeurs aberrantes.
La ligne de régression s’écrit comme suit :
y= a0 + a1x + e
a0 est t intercept |
a1 est la pente de la ligne |
y est une variable de sortie dépendante |
x est une variable d’entrée indépendante |
e est le terme d’erreur |
Exemple :
Le graphique ci-dessus montre l’expérience en tant que variable d’entrée et le salaire en tant que variable de sortie. Par conséquent, cela signifie qu’à mesure que votre expérience grandit, votre salaire est appelé à augmenter aussi. De cette façon, grâce à la régression linéaire, vous pouvez prédire combien sera approximativement votre salaire lorsque vous aurez 11 ans d’expérience.
Découvrez le logiciel d’enquête Voxco en action avec une démonstration gratuite.
La régression logistique dans l’apprentissage automatique est utilisée pour prédire la catégorie de la variable dépendante en fonction de la variable indépendante avec 0 ou 1 comme sortie.
Les données d’entrée appartiennent déjà à une catégorie, ce qui signifie que plusieurs valeurs d’entrée peuvent correspondre à une valeur de sortie. Nous utilisons la régression logistique pour prédire à quelle catégorie appartiendra la nouvelle valeur d’entrée. Par conséquent, l’entrée est mappée en 0 ou 1.
Une fois la courbe dessinée, montrant le mappage des données à la sortie, nous avons besoin d’une ligne pour séparer clairement ces deux sorties. Cette ligne est appelée le seuil. La valeur à laquelle cette ligne est tracée est appelée la valeur de seuil.
L’équation de la régression logistique est donnée par :
Exemple :
Supposons que vous ayez une liste d’identifiants d’employés et que vous souhaitiez bifurquer les identifiants en fonction de leur légitimité et de leur fraude. Dans de tels cas, vous utiliserez la régression logistique.
Il y a très peu de similitudes entre les deux modèles de régression.
Cela résume les différences entre la régression linéaire et la régression logistique. Alors que la régression linéaire peut vous aider à prédire le prix d’une voiture ou d’un appartement, la régression logistique peut classer si un grain de beauté sur un corps est bénin ou malin.
Le modèle de régression peut être utilisé pour prendre des décisions éclairées. Pour en savoir plus sur la façon dont vous pouvez utiliser l’apprentissage automatique pour prédire les résultats ou classer les éléments, n’hésitez pas à nous contacter.
Parcourez tout ce que les sondages Voxco ont à offrir!
Read more
Comment la planification d’enquêtes peut aider votre marque PARTAGER L’ARTICLE SUR Table des matières Il n’est pas toujours facile de lancer une enquête manuellement en
Comment rédiger les questions d’enquête PARTAGEZ L’ARTICLE SUR Share on facebook Share on twitter Share on linkedin Table des matières Un sondage bien conçu est
Évaluation de la culture : définition, types et questions PARTAGER L’ARTICLE SUR Table des matières Qu’est-ce que l’évaluation de la culture ? La culture d’une organisation
Etude de cas du consultant Emicity Research PARTAGER L’ARTICLE SUR Le bureau d’études Emicity’s améliore sa productivité et reste compétitif grâce à Voxco Le client
Les questions de sondage auprès des clients PARTAGEZ L’ARTICLE SUR Table des matières Les entreprises ont peut-être l’impression qu’elles savent tout ce qu’il y a
Numéroteur automatique PARTAGER L’ARTICLE SUR Table des matières Qu’est-ce qu’un numéroteur automatique ? Ce qui est nommé un composeur automatique est un programme utilisé pour
Nous utilisons des cookies sur notre site web pour vous offrir la meilleure expérience de navigation et pour adapter la publicité. En continuant à utiliser notre site web, vous nous donnez votre accord pour l'utilisation des cookies. Lire la suite
prénom | Domaine | Objectif | Expiration | Type |
---|---|---|---|---|
hubspotutk | www.voxco.com | HubSpot functional cookie. | 1 year | HTTP |
lhc_dir_locale | amplifyreach.com | --- | 52 years | --- |
lhc_dirclass | amplifyreach.com | --- | 52 years | --- |
prénom | Domaine | Objectif | Expiration | Type |
---|---|---|---|---|
_fbp | www.voxco.com | Facebook Pixel advertising first-party cookie | 3 months | HTTP |
__hstc | www.voxco.com | Hubspot marketing platform cookie. | 1 year | HTTP |
__hssrc | www.voxco.com | Hubspot marketing platform cookie. | 52 years | HTTP |
__hssc | www.voxco.com | Hubspot marketing platform cookie. | Session | HTTP |
prénom | Domaine | Objectif | Expiration | Type |
---|---|---|---|---|
_gid | www.voxco.com | Google Universal Analytics short-time unique user tracking identifier. | 1 days | HTTP |
MUID | bing.com | Microsoft User Identifier tracking cookie used by Bing Ads. | 1 year | HTTP |
MR | bat.bing.com | Microsoft User Identifier tracking cookie used by Bing Ads. | 7 days | HTTP |
IDE | doubleclick.net | Google advertising cookie used for user tracking and ad targeting purposes. | 2 years | HTTP |
_vwo_uuid_v2 | www.voxco.com | Generic Visual Website Optimizer (VWO) user tracking cookie. | 1 year | HTTP |
_vis_opt_s | www.voxco.com | Generic Visual Website Optimizer (VWO) user tracking cookie that detects if the user is new or returning to a particular campaign. | 3 months | HTTP |
_vis_opt_test_cookie | www.voxco.com | A session (temporary) cookie used by Generic Visual Website Optimizer (VWO) to detect if the cookies are enabled on the browser of the user or not. | 52 years | HTTP |
_ga | www.voxco.com | Google Universal Analytics long-time unique user tracking identifier. | 2 years | HTTP |
_uetsid | www.voxco.com | Microsoft Bing Ads Universal Event Tracking (UET) tracking cookie. | 1 days | HTTP |
vuid | vimeo.com | Vimeo tracking cookie | 2 years | HTTP |
prénom | Domaine | Objectif | Expiration | Type |
---|---|---|---|---|
__cf_bm | hubspot.com | Generic CloudFlare functional cookie. | Session | HTTP |
prénom | Domaine | Objectif | Expiration | Type |
---|---|---|---|---|
_gcl_au | www.voxco.com | --- | 3 months | --- |
_gat_gtag_UA_3262734_1 | www.voxco.com | --- | Session | --- |
_clck | www.voxco.com | --- | 1 year | --- |
_ga_HNFQQ528PZ | www.voxco.com | --- | 2 years | --- |
_clsk | www.voxco.com | --- | 1 days | --- |
visitor_id18452 | pardot.com | --- | 10 years | --- |
visitor_id18452-hash | pardot.com | --- | 10 years | --- |
lpv18452 | pi.pardot.com | --- | Session | --- |
lhc_per | www.voxco.com | --- | 6 months | --- |
_uetvid | www.voxco.com | --- | 1 year | --- |