Comparaison de modèles concurrents
Introduit| English | Sens |
|---|---|
| linear model/ˈlɪnɪə ˈmɒdl/ | modèle linéaire |
| quadratic model/kwɒˈdrætɪk ˈmɒdl/ | modèle quadratique |
| exponential model/ˌekspəˈnenʃl ˈmɒdl/ | modèle exponentiel |
| residuals/rɪˈsɪdʒuːəlz/ | résidus |
| residual plot/rɪˈsɪdʒuːəl plɒt/ | graphique des résidus |
Quelle prévision utiliseriez-vous ?
- Une vidéo scolaire a $100,151,224,339,505$ vues aux jours $0,1,2,3,4$. Les comptes augmentent d'environ le même facteur, plutôt que le même nombre.
- Un modèle linéaire, un modèle quadratique et un modèle exponentiel peuvent tous suivre une partie de cette tendance croissante. Les comparer sur les mêmes observations, puis demander si la prévision a du sens.
Ajuster les trois familles aux mêmes données
- Ajuster toutes les cinq paires avec un logiciel. Les régressions linéaire et quadratique minimisent les erreurs carrées dans les comptes ; ici, l'exponentielle provient d'une régression linéaire de $\ln y$ sur $x$, puis d'une conversion en arrière.
- Les règles ci-dessous donnent les comptes prédits, écrits $\hat y$. La méthode exponentielle minimise les erreurs carrées dans $\ln y$, donc une autre méthode de calculatrice peut donner des coefficients légèrement différents. Conserver une précision complète pour les résidus ; les coefficients affichés sont arrondis.

Attribuez le signe au résiduel
- Un résiduel est observé moins prédit : $e=y-\hat y$. Un résiduel positif place l'observation au-dessus de la courbe : le modèle la sous-estime.
- Un résiduel négatif place l'observation en dessous de la courbe : le modèle la surestime. La taille $|e|$ indique l'écart par rapport à la prédiction, dans les mêmes unités que le compte.
Au jour $2$, le compte observé est $224$. Calculez la prédiction, puis soustrayez-la de l'observation :
La droite surestime de $39.8$ vues. Le quadratique prédit environ $224.94$, et l'exponentiel environ $225.19$ : leurs résiduels sont d'environ $-0.94$ et $-1.19$.
Un résidu signé est…
Difficulté 1/5 · 100 pièces + un petit bonus lors de la première réussite aujourd'hui
Résidu = observé − prédit. Un résidu négatif signifie que le modèle prédit trop haut.
Au jour 2, le nombre observé est 224 et la droite prédit 263.8. Quel est le résidu signé ?
Difficulté 2/5 · 140 pièces + un petit bonus lors de la première réussite aujourd'hui
Observé moins prédit : $224-263.8=-39.8$. La droite surestime de 39.8.
Lisez l'intégralité du graphique des résiduels
- Un graphique des résiduels représente chaque résiduel par rapport à son entrée $x$, avec une ligne horizontale à zéro. Une courbe ou une séquence qui change systématiquement du positif au négatif et vice versa suggère que le modèle omet une caractéristique des données.
- Des résiduels petits dispersés de part et d'autre de zéro, sans motif clair, soutiennent un modèle. Quelques points ne peuvent pas prouver qu'une famille est la règle vraie ou que des prédictions lointaines fonctionneront.
Pour juger d’un ajustement, examinez l’ampleur et le motif de ses ____.
Difficulté 1/5 · 100 pièces + un petit bonus lors de la première réussite aujourd'hui
Des résidus plus petits (et l'absence de motif évident dans ceux-ci) signalent un modèle mieux ajusté.
Les résidus sont positifs aux deux extrémités de l'intervalle et négatifs au milieu. Que cela suggère-t-il ?
Difficulté 1/5 · 100 pièces + un petit bonus lors de la première réussite aujourd'hui
Il s'agit d'un motif plutôt que d'une dispersion sans motif autour de zéro. Une autre famille pourrait mieux capturer la forme.
Comparez taille et motif ensemble
- Pour la droite, les cinq résiduels sont $35.8,-13,-39.8,-24.6,41.6$ : un motif courbe. Son erreur absolue totale est de $154.8$ vues. Les erreurs positives et négatives ne doivent pas s'annuler dans cette comparaison de taille.
- L'erreur absolue totale du quadratique est d'environ $18.34$ vues ; celle de l'exponentiel est d'environ $4.59$. Ici, l'exponentiel présente les plus petites erreurs et aucun motif évident de résiduel, ce qui est cohérent avec un facteur de croissance approximativement constant.
Trois ajustements, les mêmes cinq observations
Comparez les courbes ajustées et les résidus signés. Les deux échelles graphiques restent fixes lorsque le modèle change ; au jour 2, on observe 224, la prédiction est 263.8 et le résidu est −39.8.
Laissez le contexte décider de ce qui compte
- Un modèle avec de petites erreurs peut être inadapté : les comptes de vidéos ne peuvent pas être négatifs, et une brève poussée d'intérêt peut cesser. Ces cinq jours soutiennent une comparaison à court terme, pas une croissance illimitée à long terme.
- Le coût d'une erreur compte aussi. Sous-estimer la demande peut laisser un bus scolaire avec trop peu de places ; une surestimation prudente peut être préférable. Nommez la direction et la taille de l'erreur, puis expliquez sa conséquence.
Un polynôme peut passer par tous les points observés tout en se comportant mal entre ou au-delà d'eux. Un ajustement parfait sur un petit échantillon ne garantit pas une prévision utile. Utilisez l'ajustement, le contexte et un domaine raisonnable ensemble.
Des données positives qui doublent tous les intervalles de temps égaux suggèrent une…
Difficulté 1/5 · 100 pièces + un petit bonus lors de la première réussite aujourd'hui
Un doublement à rapport constant est la marque d'un modèle exponentiel, et non d'un polynôme.
Un modèle de demande de bus prévoit 48 passagers ; 55 arrivent. Quelle description est correcte ?
Difficulté 1/5 · 100 pièces + un petit bonus lors de la première réussite aujourd'hui
$55-48=7$. Un résidu positif signifie que la demande réelle dépasse la prédiction. La direction est importante lors du choix de la capacité.
Séparez la croissance éventuelle de l'ajustement
- Si $a>0$ et $b>1$, l'exponentielle $ab^x$ finira par dépasser n'importe quel polynôme fixe lorsque $x\to\infty$. Il s'agit d'une affirmation concernant les formules sur une longue portée, pas d'une preuve que l'exponentielle s'adapte le mieux à un jeu de données particulier.
- Un modèle de décroissance tel que $100(0.8)^x$ tend vers zéro à la place. Un multiplicateur directeur nul ou négatif invalide également la prétention de croissance positive ; toujours indiquer les hypothèses.
Pour $a>0$ et $b>1$, $ab^x$ finit par dépasser tout polynôme fixe lorsque $x$ tend vers l'infini.
Difficulté 1/5 · 100 pièces + un petit bonus lors de la première réussite aujourd'hui
Ces conditions de croissance positive sont importantes. L’énoncé porte sur les formules lorsque $x$ augmente, et ne prouve pas qu’une exponentielle s’ajuste mieux à un jeu de données donné.
Le modèle de décroissance $100(0.8)^x$ doit finiquement dépasser la droite croissante $10+x$ lorsque $x$ augmente.
Difficulté 1/5 · 100 pièces + un petit bonus lors de la première réussite aujourd'hui
L'exponentielle tend vers zéro, tandis que la droite augmente. Une famille exponentielle seule n'implique pas une domination positive future.
Étiqueter l'heure de départ
- Pour l'exemple de ventes précédent $100,150,225,340$, étiqueter les observations comme des mois $m=0,1,2,3$. Le modèle $S(m)=100(1.5)^m$ prédit $337.5$ au mois $3$, donnant un résidu de $340-337.5=2.5$.
- Si la première observation est appelée mois $1$, le même modèle devient $S(m)=100(1.5)^{m-1}$. Changer les étiquettes modifie l'exposant ; cela ne change pas les observations elles-mêmes.
Les ventes enregistrées pour la première fois au mois 1 sont 100 et augmentent d'un facteur 1.5 chaque mois. En utilisant $S(m)=100(1.5)^{m-1}$, quelle est la prédiction pour le mois 3 ?
Difficulté 2/5 · 140 pièces + un petit bonus lors de la première réussite aujourd'hui
Le mois 3 se situe deux changements après le mois 1 : $100(1.5)^2=225$.
Formuler une recommandation fondée
- Indiquez la famille et l'intervalle, citez les tailles des résidus et décrivez tout motif. Ajoutez ensuite une raison contextuelle et une limite. Pour la vidéo, une exponentielle est une description raisonnable des jours $0$–$4$ ; ce n'est pas une promesse de croissance perpétuelle.
- Comparez tous les modèles sur les mêmes observations et unités. La somme des résidus signés peut masquer de grandes erreurs, et le gagnant final de deux formules ne doit pas nécessairement être le meilleur ajustement actuel.
Construisez des candidats à partir des données, calculez observé moins prédit, et inspectez l'ensemble du graphique des résidus. Choisissez avec des preuves numériques et contextuelles. Aucun motif clair ne soutient un modèle ; cela ne prouve pas que le modèle est vrai.
Sélectionnez toutes les affirmations vraies concernant la comparaison des modèles.
Difficulté 2/5 · 140 pièces + un petit bonus lors de la première réussite aujourd'hui
Les trois premières affirmations sont vraies. Les erreurs signées peuvent s’annuler ; inspectez leurs amplitudes et leur motif, ainsi que le contexte et l’intervalle de comparaison.
Rédiger une recommandation basée sur les preuves
- Le modèle A a des résidus $2,-1,3$ vues ; le modèle B a $4,4,4$ sur ces trois mêmes jours. Calculez les totaux des résidus absolus pour les deux et indiquez lequel présente l'erreur la plus faible selon cette mesure.
- Expliquez pourquoi cette comparaison seule ne permet pas d'établir que A est le meilleur modèle pour une prévision à long terme. Incluez une vérification supplémentaire que vous effectuerez.
Sur ces trois jours mêmes, le modèle A présente des résidus $2,-1,3$ et le modèle B présente $4,4,4$. Calculez les totaux absolus des résidus pour chacun et recommandez un modèle selon cette mesure. Pourquoi cela est-il insuffisant pour une prévision à long terme ? Nommez une vérification supplémentaire.
Utilisez à la fois la mesure d’erreur numérique et une limite à la recommandation. Une somme totale plus faible seule ne valide pas une prévision.
Le modèle A a des résidus $2,-1,3$. Quel est son total de résidus absolus ?
Difficulté 1/5 · 100 pièces + un petit bonus lors de la première réussite aujourd'hui
Les valeurs absolues des résidus s'additionnent pour former 6.