Points clés
- Catégorie
- Maths, dates et finance
- Types d’entrée
- textarea, checkbox, text, number
- Type de sortie
- json
- Couverture des échantillons
- 4
- API disponible
- Yes
Vue d’ensemble
Ce calculateur de régression linéaire multiple permet d'ajuster un modèle statistique à partir de plusieurs variables prédictrices pour expliquer une variable cible numérique. En utilisant la méthode des moindres carrés, l'outil génère l'ordonnée à l'origine, les coefficients de chaque variable et le coefficient de détermination R² pour évaluer la précision du modèle.
Quand l’utiliser
- •Analyser l'influence de plusieurs facteurs indépendants sur un seul résultat numérique.
- •Prédire une valeur future en fonction de données historiques multi-paramètres.
- •Évaluer la force de la corrélation entre différentes variables explicatives et une variable dépendante.
Comment ça marche
- •Saisissez vos données au format CSV en plaçant les variables prédictrices dans les premières colonnes et la variable cible dans la dernière.
- •Précisez si vos données incluent une ligne d'en-tête et définissez le nombre de décimales souhaité pour les résultats.
- •Optionnellement, entrez de nouvelles valeurs de prédiction pour calculer une estimation de la variable cible basée sur le modèle généré.
- •L'outil calcule instantanément l'interception, les coefficients de régression et le score R² via la méthode des moindres carrés.
Cas d’usage
Exemples
1. Estimation immobilière multi-critères
Agent immobilier- Contexte
- Un agent souhaite estimer le prix de vente d'appartements en fonction de la surface (x1) et de l'étage (x2).
- Problème
- Déterminer l'impact de chaque critère sur le prix final (y) pour conseiller ses clients.
- Comment l’utiliser
- Coller les données de ventes passées dans le champ CSV et demander une prédiction pour un appartement de 70m² au 3ème étage.
- Configuration d’exemple
-
70, 3 - Résultat
- Le modèle fournit les coefficients pour la surface et l'étage, ainsi qu'une estimation de prix précise pour le nouveau bien.
2. Analyse de performance marketing
Responsable Marketing- Contexte
- L'entreprise investit sur Google Ads (x1) et Facebook Ads (x2) et suit les conversions (y).
- Problème
- Prédire le nombre de conversions en fonction des budgets alloués à chaque plateforme.
- Comment l’utiliser
- Importer les données historiques de dépenses hebdomadaires et configurer l'affichage à 2 décimales.
- Configuration d’exemple
-
decimalPlaces: 2 - Résultat
- Identification du canal le plus rentable grâce aux coefficients et validation de la fiabilité du modèle via le R².
Tester avec des échantillons
csv, hashHubs associés
FAQ
Quel format de données est accepté ?
L'outil accepte des données textuelles structurées en colonnes (CSV), où la dernière colonne est toujours la cible (y).
Qu'indique le coefficient R² ?
Le R² mesure la proportion de la variance de la variable cible expliquée par les prédicteurs ; plus il est proche de 1, plus le modèle est précis.
Puis-je prédire une nouvelle valeur ?
Oui, en saisissant des valeurs pour chaque prédicteur dans le champ dédié, l'outil calculera le résultat estimé (predictedY).
Combien de prédicteurs puis-je utiliser ?
Vous pouvez utiliser plusieurs colonnes de prédicteurs, tant que le nombre d'observations (lignes) est supérieur au nombre de variables.
L'outil gère-t-il les variables catégorielles ?
Non, cet outil est conçu pour des données numériques. Les variables textuelles doivent être converties en nombres (encodage) avant l'importation.