Points clés
- Catégorie
- Maths, dates et finance
- Types d’entrée
- textarea, number
- Type de sortie
- json
- Couverture des échantillons
- 2
- API disponible
- Yes
Vue d’ensemble
Ce calculateur de résidus permet d'analyser la précision de vos modèles de régression en calculant les écarts entre les valeurs réelles et prédites. Il génère instantanément des métriques clés telles que la somme des carrés des erreurs (SSE), l'erreur quadratique moyenne (MSE) et la racine de l'erreur quadratique moyenne (RMSE) pour valider vos analyses statistiques.
Quand l’utiliser
- •Évaluer la qualité d'ajustement d'un modèle de régression linéaire sur un jeu de données.
- •Identifier les points de données aberrants en analysant l'ampleur des erreurs de prédiction.
- •Comparer la performance de plusieurs modèles statistiques en utilisant les métriques MSE et RMSE.
Comment ça marche
- •Saisissez vos valeurs réelles observées dans le champ de texte principal.
- •Fournissez les valeurs prédites correspondantes ou entrez les valeurs X accompagnées de la pente et de l'interception de votre équation linéaire.
- •Ajustez le nombre de décimales souhaité pour la précision des calculs.
- •Le calculateur traite les données pour afficher les résidus individuels et les statistiques d'erreur globales.
Cas d’usage
Exemples
1. Analyse de performance de prédiction
Analyste de données- Contexte
- Un analyste compare les ventes réelles d'un magasin avec les prévisions générées par un algorithme sur une semaine.
- Problème
- Déterminer l'erreur globale du modèle pour ajuster les futurs stocks.
- Comment l’utiliser
- Saisir les ventes réelles (ex: 200, 240, 190) et les prévisions (ex: 210, 230, 200) dans les champs respectifs.
- Résultat
- Obtention immédiate de la RMSE pour quantifier l'écart moyen des prévisions par rapport à la réalité.
2. Validation d'une droite de régression
Étudiant en statistiques- Contexte
- Un étudiant a calculé manuellement une droite de régression y = 0.5x + 2 pour un petit échantillon.
- Problème
- Calculer rapidement les résidus pour vérifier la validité de sa droite sur 5 points de données.
- Comment l’utiliser
- Entrer les valeurs réelles, les valeurs X correspondantes, puis configurer la pente à 0.5 et l'interception à 2.
- Configuration d’exemple
-
slope: 0.5, intercept: 2, decimalPlaces: 2 - Résultat
- Liste détaillée des résidus pour chaque point et calcul automatique de la somme des carrés des erreurs (SSE).
Tester avec des échantillons
math-&-numbersHubs associés
FAQ
Qu'est-ce qu'un résidu en statistique ?
Un résidu est la différence numérique entre une valeur observée (réelle) et la valeur prédite par un modèle statistique.
Comment est calculée la RMSE ?
La RMSE est la racine carrée de la moyenne des carrés des résidus, indiquant l'écart type des erreurs de prédiction.
Puis-je utiliser une équation de type y = mx + b ?
Oui, vous pouvez saisir la pente (m), l'interception (b) et les valeurs X pour que l'outil calcule automatiquement les prédictions.
Quelle est la différence entre SSE et MSE ?
La SSE est la somme totale des carrés des erreurs, tandis que la MSE est la moyenne de ces carrés sur l'ensemble des observations.
Pourquoi les résidus sont-ils importants ?
Ils permettent de vérifier si les hypothèses d'un modèle de régression sont respectées et de détecter d'éventuels biais.