Régression linéaire polynomiale avec NumPy

La régression linéaire polynomiale en utilisant Sklearn est fastidieuse car il faut coder explicitement ses features. Cela peut s'avérer difficile lorsqu'il faut construire de manière itérative des modèles polynomiaux de degré supérieur.

La méthode polyfit() de NumPy est une excellente alternative. Ici, tu peux spécifier le degré du polynôme en tant que paramètre. Par conséquent, elle crée automatiquement les features polynomiales correspondantes.

L'inconvénient c’est que tu ne peux pas ajouter de features personnalisées telles que des features trigonométriques ou logarithmiques. En d'autres termes, tu es limité aux features polynomiales. Mais si tu n’as besoin que de features polynomiales, la méthode polyfit() de NumPy sera justement une meilleure approche.

Pour en savoir plus : https://numpy.org/doc/stable/reference/generated/numpy.polyfit.html

Tu peux également consulter le notebook de la régression linéaire avec NumPy qui m’a permis de réaliser l’extrait de code ci-dessus.