Régression polynomiale

Cet article est une ébauche concernant les mathématiques.

Vous pouvez partager vos connaissances en l’améliorant (comment ?) selon les recommandations des projets correspondants.

Type	Apprentissage supervisé, régression locale, regression (en), régression

Régression polynomiale cubique (degré 3) :

la courbe bleue est la courbe ayant servi à générer les données (on y a ajouté un bruit aléatoire) ;
la courbe verte est le graphe du polynôme obtenu par régression ;
l'intervalle de confiance, en rouge, a été obtenu par la méthode de Scheffé.

Régression sur un nuage de points par un polynôme de degré croissant.

La régression polynomiale est une analyse statistique qui décrit la variation d'une variable aléatoire expliquée à partir d'une fonction polynomiale d'une variable aléatoire explicative. C'est un cas particulier de régression linéaire multiple, où les observations sont construites à partir des puissances d'une seule variable.

Si l'on appelle $(X i, Y i)$ la i-ème réalisation du couple de variables aléatoires, on recherche le polynôme

P_{n}(x)=a_{n}x^{n}+a_{n-1}x^{n-1}+\ldots +a_{1}x+a_{0},

permettant d'écrire

Y_{i}=P_{n}(X_{i})+\varepsilon _{i}

le résidu $ε i$ , ou perturbation, étant « le plus petit » dans le sens des moindres carrés.

La régression polynomiale est une régression linéaire multiple : on peut écrire la relation, pour $X i, p = X p i$ :

Y_{i}=a_{n}\cdot X_{i,n}+a_{n-1}\cdot X_{i,n-1}+\ldots +a_{1}\cdot X_{i,1}+a_{0}+\varepsilon _{i}.

Cas particuliers

La régression linéaire est une régression polynomiale de degré 1.

Applications

Résolution par la méthode des moindres carrés

Considérons un jeu de données $(X i, Y i) 1 \leq i \leq n$ . On veut effectuer une régression par un polynôme de degré trois :

P_{3}(x)=ax^{3}+bx^{2}+cx+d.

Le carré du résidu s'écrit :

\varepsilon (x,y)^{2}=\left(P_{3}(x)-y\right)^{2}

soit

{\begin{aligned}\varepsilon (x,y)^{2}=\ x^{6}a^{2}+2x^{5}ab+2x^{4}ac+2x^{3}ad-2x^{3}ya\\+x^{4}b^{2}+2x^{3}bc+2x^{2}bd-2x^{2}yb\\+x^{2}c^{2}+2xcd-2xyc\\+d^{2}-2yd\\+y^{2}{\text{.}}\end{aligned}}

On note alors:

\varepsilon _{i}:=\varepsilon (X_{i},Y_{i})

Les valeurs $a, b, c, d$ minimisent la somme des carrés des résidus $e$ :

e=\sum _{i}\varepsilon _{i}^{2}

On appelle

\mathrm {S} _{j}=\sum _{i}\mathrm {X} _{i}^{j}

et

\mathrm {T} _{j}=\sum _{i}\mathrm {X} _{i}^{j}\mathrm {Y} _{i}

Si le paramètre $a$ est plus élevé ou plus bas, la valeur de $e$ augmente. La valeur de $e$ est donc minimale pour le $a$ recherché, c'est-à-dire que la dérivée partielle de $e$ par rapport à $a$ doit être nulle :

{\frac {\partial e}{\partial a}}=0\Longrightarrow 2a\mathrm {S} _{6}+2b\mathrm {S} _{5}+2c\mathrm {S} _{4}+2d\mathrm {S} _{3}-2\mathrm {T} _{3}=0

.

On peut faire de même pour chaque paramètre, ce qui donne un système d'équations linéaires :

{\begin{pmatrix}\mathrm {S} _{6}&\mathrm {S} _{5}&\mathrm {S} _{4}&\mathrm {S} _{3}\\\mathrm {S} _{5}&\mathrm {S} _{4}&\mathrm {S} _{3}&\mathrm {S} _{2}\\\mathrm {S} _{4}&\mathrm {S} _{3}&\mathrm {S} _{2}&\mathrm {S} _{1}\\\mathrm {S} _{3}&\mathrm {S} _{2}&\mathrm {S} _{1}&\mathrm {S} _{0}\end{pmatrix}}\cdot {\begin{pmatrix}a\\b\\c\\d\end{pmatrix}}={\begin{pmatrix}\mathrm {T} _{3}\\\mathrm {T} _{2}\\\mathrm {T} _{1}\\\mathrm {T} _{0}\end{pmatrix}}{\text{.}}

Régression polynomiale

Cas particuliers

Applications

Résolution par la méthode des moindres carrés

Voir aussi

Related Articles