Régression linéaire

Apprends à trouver la droite de meilleur ajustement pour des données et à l'utiliser pour faire des prédictions.

Avancé25 minLeçon
Fiche d'exercices à imprimer

Définition

La régression linéaire est une méthode statistique pour trouver la droite qui s'ajuste le mieux à un ensemble de points de données. Cette droite, appelée droite de meilleur ajustement ou droite de régression, minimise les distances entre la droite et tous les points.
L'équation de la droite de régression est :
Où :
  • est la pente (de combien change pour chaque augmentation d'une unité de )
  • est l'ordonnée à l'origine (la valeur de quand )
La méthode des moindres carrés trouve la droite qui minimise la somme des carrés des distances (résidus) de chaque point à la droite :

Essaie tout de suite

Que représente la pente dans une droite de régression ?

Exemples résolus

Un café suit la température quotidienne (°C) et les ventes de café glacé : | Température | Ventes | |-------------|--------| | 15 | 20 | | 20 | 35 | | 25 | 45 | | 30 | 60 | | 35 | 70 | Trouve l'équation de la droite de régression.

1

Calcule les moyennes

→ ,

2

Calcule la pente avec la formule

Numérateur : Dénominateur : →

3

Calcule l'ordonnée à l'origine

→

4

Écris l'équation de régression

→ Droite de régression :

Erreurs courantes

Supposer que la droite de régression passe par tous les points de données

Pourquoi c'est faux: La droite de meilleur ajustement minimise l'erreur totale mais passe rarement par chaque point. Les points au-dessus et en dessous de la droite sont normaux.

Correct: Comprends que la droite de régression représente la tendance générale, pas les points de données individuels.

Utiliser l'équation de régression pour extrapoler loin au-delà de la plage des données

Pourquoi c'est faux: La relation peut ne pas tenir en dehors de la plage des données observées. Prédire bien au-delà de tes données peut donner des résultats irréalistes.

Correct: Sois prudent quand tu prédis pour des valeurs de x loin en dehors de ta plage de données. Note quand tu extrapoles.

Confondre corrélation et causalité

Pourquoi c'est faux: Une forte relation linéaire ne signifie pas qu'une variable cause des changements dans l'autre. D'autres facteurs peuvent être impliqués.

Correct: Utilise la régression pour décrire des relations et faire des prédictions, mais sois prudent sur les affirmations de causalité.

Oublier de vérifier si un modèle linéaire est approprié

Pourquoi c'est faux: Toutes les données ne suivent pas un motif linéaire. Utiliser la régression linéaire sur des données non linéaires donne des résultats trompeurs.

Correct: Trace toujours tes données d'abord. Si le nuage de points montre une courbe, la régression linéaire peut ne pas être le meilleur choix.

Visuel interactif

Explorateur de fonction lineaire

y = x
Pente (m)1
Ordonnee a l'origine (b)0
b
course
montée
xy
-2-2
-1-1
00
11
22

Bac à sable interactif

Grapheur interactif

Essayez ces exemples:

y = 2x + 1

m=2, b=1

Calculateur d'expressions

Essayez ceux-ci:

Historique

Aucun calcul encore

Exercices pratiques

16 exercices
Problème 1 sur 16
Facile

Que représente la pente dans une droite de régression ?

Pourquoi c'est important

La régression linéaire est l'un des outils les plus importants en analyse de données :
  • Commerce : Prévoir les ventes en fonction des dépenses publicitaires ou des changements de prix
  • Science : Modéliser les relations entre variables dans les expériences
  • Médecine : Prédire les résultats des patients à partir des données de traitement
  • Économie : Prévoir les indicateurs économiques basés sur les tendances historiques
  • Sport : Analyser les performances des joueurs et prédire les statistiques futures
Comprendre la régression t'aide à faire des prédictions basées sur les données et à identifier des tendances impossibles à voir en regardant simplement les chiffres bruts.

Applications dans le monde réel

Prédire les prix immobiliers

Les analystes immobiliers utilisent la régression linéaire pour estimer les prix des maisons en fonction de caractéristiques comme la superficie, le nombre de chambres ou la distance du centre-ville.

Exemple:

Si où est les mètres carrés et le prix en euros, un appartement de 100 m² coûterait environ 150(100) + 50000 = 65000 euros.

1Essayez vous-même

Un modèle immobilier montre : Prix = 200x + 30000 (où x = mètres carrés).

Quel prix prédirait-on pour un appartement de 120 m² ?

Étape 1 : Écrivez l'expression mathématique

Substitue dans l'équation :

Analyse de l'efficacité énergétique

Les ingénieurs automobiles utilisent la régression pour comprendre comment le poids d'une voiture affecte la consommation de carburant.

Exemple:

Si consommation (L/100km) = 0,004 × poids (kg) + 2, une voiture de 1500 kg consommerait 0,004(1500) + 2 = 8 L/100km.

2Essayez vous-même

Les données d'un constructeur automobile montrent : Carburant = 0,005p + 1,5 (où p = poids en kg).

Prédis la consommation de carburant pour un véhicule de 1200 kg.

Étape 1 : Écrivez l'expression mathématique

Calcule :

Prévision des ventes commerciales

Les entreprises utilisent la régression pour prédire les ventes futures en fonction des dépenses publicitaires, les aidant à allouer efficacement leurs budgets marketing.

Exemple:

Si ventes mensuelles = 3 × dépenses pub + 10000, dépenser 5000 euros en publicité prédit des ventes de 3(5000) + 10000 = 25000 euros.

3Essayez vous-même

Le modèle d'une entreprise : Ventes = 4 × BudgetPub + 8000.

S'ils dépensent 3000 euros en publicité, quelles ventes peuvent-ils attendre ?

Étape 1 : Écrivez l'expression mathématique

Calcule les ventes prédites :

Points clés

  • 1La régression linéaire trouve la droite qui s'ajuste le mieux à un ensemble de points de données
  • 2L'équation de la droite de régression est où est la pente et l'ordonnée à l'origine
  • 3La pente indique de combien change pour chaque augmentation d'une unité de
  • 4L'ordonnée à l'origine est la valeur prédite de quand
  • 5Utilise la régression pour faire des prédictions, mais sois prudent en extrapolant loin de tes données

Questions fréquentes

Si ton nuage de points montre une courbe plutôt qu'une ligne droite, la régression linéaire peut ne pas être appropriée. Considère la régression polynomiale ou d'autres modèles non linéaires.
Si ton nuage de points montre une courbe plutôt qu'une ligne droite, la régression linéaire peut ne pas être appropriée. Considère la régression polynomiale ou d'autres modèles non linéaires.
Non. La régression montre des relations (corrélations) mais ne peut pas prouver la causalité. Deux variables peuvent être liées à cause d'un troisième facteur, pas parce que l'une cause l'autre.
Un résidu est la différence entre un point de données réel et la valeur prédite par la droite de régression : résidu = . Les résidus positifs signifient que le point est au-dessus de la droite ; négatifs signifient en dessous.

Glossaire

Régression linéaire
Une méthode statistique pour trouver la droite qui s'ajuste le mieux à un ensemble de points de données
Droite de meilleur ajustement
La droite de régression qui minimise la somme des carrés des résidus
Pente
Le taux de variation ; de combien augmente pour chaque augmentation d'une unité de
Ordonnée à l'origine
La valeur de quand ; où la droite coupe l'axe des y
Résidu
La différence entre un point de données réel et sa valeur prédite sur la droite de régression
Moindres carrés
La méthode qui trouve la droite minimisant la somme des carrés des résidus
Extrapolation
Utiliser une équation de régression pour prédire des valeurs en dehors de la plage des données originales

Carte des formules

Droite de régression

L'équation de la droite de meilleur ajustement avec pente m et ordonnée b

Formule de la pente

Calcule la pente à partir des points de données et des moyennes

Ordonnée à l'origine

Calcule l'ordonnée à l'origine avec la pente et les moyennes

Résidu

La différence entre la valeur réelle et la valeur prédite

Plus sur ce sujet

Introduction à la régression

Avancé25 min