Comparing Competing Models · Comparaison de modèles concurrents
| English | Français |
|---|---|
| linear model/ˈlɪnɪə ˈmɒdl/ | modèle linéaire |
| quadratic model/kwɒˈdrætɪk ˈmɒdl/ | modèle quadratique |
| exponential model/ˌekspəˈnenʃl ˈmɒdl/ | modèle exponentiel |
| residuals/rɪˈsɪdʒuːəlz/ | résidus |
Three curves, one data set
- The same scatter of points could be fit by a line, a parabola, or an exponential.
- Each will pass near the data, but only one captures its true shape.
- Picking the wrong family gives predictions that drift badly.
- So how do we decide which model actually deserves our trust?
Trois courbes, un jeu de données
- La même nuage de points pourrait être ajusté par une droite, une parabole ou une exponentielle.
- Chacun passera près des données, mais seul un capture sa véritable forme.
- Choisir le mauvais famille donne des prédictions qui dérivent gravement.
- Alors comment décidons-nous quel modèle mérite vraiment notre confiance ?
Try each family
- Fit a linear model 线性模型, a quadratic model 二次模型, and an exponential model 指数模型 to the same points.
- Each one produces a formula and a curve through the cloud of data.
- Look at where each curve sits relative to the points.
- A line cannot bend; a parabola bends once; an exponential curves ever upward.
Essayer chaque famille
- Ajuster un modèle linéaire 线性模型, un modèle quadratique 二次模型, et un modèle exponentiel 指数模型 aux mêmes points.
- Chacun produit une formule et une courbe à travers le nuage de données.
- Regardez où chaque courbe se situe par rapport aux points.
- Une droite ne peut pas plier ; une parabole plie une fois ; une exponentielle courbe toujours vers le haut.
Residuals judge the fit
- A residual 残差 is the gap between a data value and the model's prediction there.
- Small residuals, scattered with no pattern, mean a good fit.
- Large residuals, or residuals that curve, mean the wrong family.
- Comparing residuals is how you rank competing models with evidence.
Les résidus jugent l'ajustement
- Un résidu 残差 est l'écart entre une valeur de donnée et la prédiction du modèle à cet endroit.
- De petits résidus, dispersés sans motif, signifient un bon ajustement.
- De grands résidus, ou des résidus qui forment une courbe, signifient la mauvaise famille.
- Comparer les résidus est la façon de classer les modèles concurrents avec des preuves.
A curve a straight line cannot match · Une courbe qu'une droite ne peut pas correspondre
y = a·bˣ
An exponential bends to hug curved data. Try lowering the base toward 1 to see it flatten toward a line. · Une exponentielle s'incurve pour épouser des données courbes. Essayez d'abaisser la base vers 1 pour voir comment elle s'aplatit vers une droite.
A residual is the difference between… · Un résidu est la différence entre…
A residual = observed − predicted. Small residuals mean the model fits the data closely. · Un résidu = observé − prédit. De petits résidus signifient que le modèle s'ajuste bien aux données.
To judge how well a model matches data, examine the size of its ____. · Pour juger de la qualité d'ajustement d'un modèle aux données, examinez la taille de ses ____.
Smaller residuals (and no obvious pattern in them) signal a better-fitting model. · Des résidus plus petits (et l'absence de motif évident dans ceux-ci) signalent un modèle mieux ajusté.
Exponential eventually wins
- Over a long enough range, an exponential outgrows every polynomial.
- Even $x^{100}$ is left behind once $2^x$ gets going.
- So for data that keeps multiplying, the exponential is the natural long-run model.
- Polynomials curve, but they cannot keep up with steady doubling.
L'exponentielle finit par gagner
- Sur une plage assez longue, une exponentielle dépasse toute polynomiale.
- Même $x^{100}$ est laissé derrière dès que $2^x$ commence à monter.
- Donc pour les données qui continuent de multiplier, l'exponentielle est le modèle naturel à long terme.
- Les polynômes courbent, mais ils ne peuvent pas suivre un doublement régulier.
Given enough time, an exponential model eventually grows faster than any polynomial model. · Avec suffisamment de temps, un modèle exponentiel finit par croître plus vite que tout modèle polynomial.
Exponential growth outpaces $x^2, x^3,$ even $x^{100}$ in the long run — the exponent always wins. · La croissance exponentielle dépasse $x^2, x^3,$ même $x^{100}$ à long terme — l'exposant gagne toujours.
Select all · tout true statements about comparing models. · Sélectionnez toutes les affirmations vraies concernant la comparaison des modèles.
The best fit has the smallest residuals, not the biggest. The other three are correct. · Le meilleur ajustement a les plus petits résidus, pas les plus grands. Les trois autres sont corrects.
Choose with context and evidence
- Use the residuals, but also use what you know about the situation.
- A savings account earns interest → exponential; a falling object → quadratic.
- Prefer the simplest model that fits well and makes physical sense.
- Justify your choice with both the data and the story behind it.
Choisir avec le contexte et les preuves
- Utilisez les résidus, mais utilisez aussi ce que vous savez sur la situation.
- Un compte d'épargne gagne des intérêts → exponentiel ; un objet qui tombe → quadratique.
- Préférez le modèle le plus simple qui s'ajuste bien et a du sens physique.
- Justifiez votre choix avec les données et l'histoire derrière.
Data doubling at a steady rate is best modeled by a… · Une donnée qui double à un rythme constant est le mieux modélisée par un…
Constant-ratio doubling is the hallmark of an exponential model, not a polynomial one. · Un doublement à rapport constant est la marque d'un modèle exponentiel, et non d'un polynôme.
A wiggly high-degree polynomial can pass through every point and still be a terrible model — it swings wildly between the data and predicts nonsense outside it. A close fit alone is not enough; the family must match the underlying behavior.
Un polynôme de degré élevé et sinueux peut passer par chaque point et rester un terrible modèle — il oscille sauvagement entre les données et prédit des choses absurdes à l'extérieur. Un ajustement proche seul ne suffit pas ; la famille doit correspondre au comportement sous-jacent.
Sales over four months: $100, 150, 225, 340$.
- Ratios: $150/100 = 1.5$, $225/150 = 1.5$, $340/225 \approx 1.5$ — nearly constant.
- A constant ratio points to an exponential model, not a line.
- Model: $S \approx 100 \cdot 1.5^{\,m}$, matching the roughly $50\%$ monthly growth.
Ventes sur quatre mois : $100, 150, 225, 340$.
- Rapports : $150/100 = 1.5$, $225/150 = 1.5$, $340/225 \approx 1.5$ — presque constants.
- Un rapport constant pointe vers un modèle exponentiel, pas une droite.
- Modèle : $S \approx 100 \cdot 1.5^{\,m}$, correspondant à une croissance mensuelle d'environ $50\%$.
To compare a linear model, quadratic model, and exponential model on the same data, examine the residuals — smaller is better. Remember an exponential eventually outgrows any polynomial, and let both the evidence and the context guide your final choice.
Pour comparer un modèle linéaire, un modèle quadratique et un modèle exponentiel sur les mêmes données, examinez les résidus — plus petits est mieux. Rappelez-vous qu'un modèle exponentiel finira par dépasser n'importe quel polynôme, et laissez à la fois les preuves et le contexte guider votre choix final.