a, b = np.polyfit(x, y, 1) puis plt.plot(x, a*x + b), avec linéarisation préalable si nécessaireAjuster par moindres carrés une droite (éventuellement après linéarisation) et la superposer au nuage.
Ajuster une droite sur et .
Ajuster par moindres carrés une droite (éventuellement après linéarisation) et la superposer au nuage.
np.polyfit(x, y, 1) renvoie la pente et l'ordonnée à l'origine minimisant ; pour un modèle , poser ramène à .
plt.scatter(x, y) pour décider si une droite est pertinente ou s'il faut linéariser d'abord (forme exponentielle, puissance).Y = np.log(y) pour un modèle exponentiel ; sinon je garde Y = y.a, b = np.polyfit(x, Y, 1) ; ici est la pente et l'ordonnée à l'origine.x_fit = np.linspace(x.min(), x.max(), 100) puis plt.plot(x_fit, a*x_fit + b, color='red', label=f'y = {a:.2f}x + {b:.2f}').plt.plot(x_fit, np.exp(b) * np.exp(a * x_fit)) dans le plan initial.Ajuster une droite sur et .
plt.scatter(x, y) pour décider si une droite est pertinente ou s'il faut linéariser d'abord (forme exponentielle, puissance).plt.scatter(x, y) montre une tendance linéaire croissante, donc pas besoin de linéarisation.
Y = np.log(y) pour un modèle exponentiel ; sinon je garde Y = y.Je garde Y = y sans transformation.
a, b = np.polyfit(x, Y, 1) ; ici est la pente et l'ordonnée à l'origine.a, b = np.polyfit(x, y, 1) renvoie environ et .
x_fit = np.linspace(x.min(), x.max(), 100) puis plt.plot(x_fit, a*x_fit + b, color='red', label=f'y = {a:.2f}x + {b:.2f}').Je trace x_fit = np.linspace(1, 7, 100) puis plt.plot(x_fit, 2.0*x_fit + 0.04, color='red').
plt.plot(x_fit, np.exp(b) * np.exp(a * x_fit)) dans le plan initial.Pas de transformation à inverser : la droite ajuste directement le modèle.
La droite des moindres carrés est .
Les applications suivantes et la correction guidée sont réservées aux membres Premium
La méthode et sa première application corrigée restent en accès libre. Le Premium débloque les applications suivantes, l'aide IA et le suivi de ta maîtrise.