Karteikarten: Analyse des tendances par ajustement affine — 20 Karten

Ajustement affine — définition ?

Modèle linéaire y=ax+b pour approximer une relation.

Coefficient de détermination — rôle ?

Mesure la part de variabilité expliquée par le modèle.

Droite d’ajustement — fonction ?

Représente la tendance générale des données.

$R^2$ proche de 1 — signification ?

Ajustement très pertinent, bonne explication.

Estimer avec droite — étape clé ?

Remplacer $x$ par la valeur demandée dans y=ax+b.

Valeur pour $x=15$ — exemple ?

Calcul du salaire estimé en remplaçant $x=15$.

Ajustement pour temps d’entraînement — objectif ?

Prédire le temps en fonction du nombre d’entraînements.

Pente négative — signification ?

Le temps diminue avec plus d’entraînements.

Festival — modélisation linéaire ?

Utiliser y=720x+147,70 pour prévoir le nombre de participants.

Ventes voitures — $R^2$ faible — conséquence ?

Ajustement non pertinent, peu fiable.

Abonnés plateforme — $R^2$ élevé — implication ?

Ajustement pertinent, prévisions fiables.

ADN — prédiction à 10h — méthode ?

Prolonger la tendance par extrapolation.

Ventes Switch — tendance ?

Croissance continue, tendance linéaire positive.

Population tigres — effet mesures protection ?

Tendance de baisse ralentit après 1986.

Disparition tigres — calcul ?

Résoudre y=0 pour trouver le rang ou année.

Pertinence ajustement — critère ?

Valeur élevée de $R^2$, proche de 1.

$R^2=0,1$ — interprétation ?

Ajustement non pertinent, dispersion importante.

Prévision future — étape essentielle ?

Remplacer $x$ par la valeur de l’année ou rang.

Extrapolation — risque ?

Prédictions moins fiables si hors intervalle.

Comparer deux périodes — objectif ?

Évaluer l’impact des mesures de protection.