Régression linéaire
La régression linéaire est une technique statistique qui modélise la relation entre une variable à prédire et une ou plusieurs variables explicatives, sous forme d’une droite. En machine learning, elle trouve la relation entre des caractéristiques (features) et un résultat cible, en cherchant l’équation qui minimise l’écart entre les points de données réels et la droite qui les résume — un problème d’optimisation résolu via la descente de gradient.
Deux variantes : la régression simple, avec une seule variable explicative (prédire un salaire à partir de la seule ancienneté), et la régression multiple, avec plusieurs variables combinées (salaire prédit à partir de l’ancienneté, du poste et du niveau de diplôme). C’est l’algorithme le plus simple et le plus interprétable du machine learning — souvent le premier enseigné, car facile à comprendre et rapide à mettre en œuvre.
En RH, la régression linéaire sert à estimer des valeurs continues : prédire un salaire de marché selon plusieurs critères, anticiper une charge de recrutement selon la croissance de l’activité, ou modéliser l’évolution d’un coût de masse salariale. Sa simplicité est aussi sa limite : elle suppose une relation linéaire entre variables, ce qui ne capture pas les phénomènes RH plus complexes — un arbre de décision ou un random forest conviennent mieux dès que les relations entre variables deviennent non linéaires.
Retrouvez tous les termes dans le lexique SIRH et IA de yapluqua.com.
Sources : Google for Developers, Devoteam (04/02/2025).