Comment ajuster et juger un modèle 01 Collez les données. Les lignes de commentaire commençant par # ou // sont ignorées, et les lignes qui ne s'analysent pas comme deux nombres sont signalées avec leur numéro de ligne plutôt que silencieusement écartées. 02 Choisissez une famille, pas une formule. La liste des modèles est organisée par forme ; une décroissance relève de la croissance/décroissance exponentielle, une courbe de saturation de Michaelis–Menten ou du plateau exponentiel. 03 Lisez les paramètres avec leurs intervalles. Un paramètre dont l'intervalle à 95 % traverse zéro n'est pas une preuve qu'il est nécessaire ; un intervalle étroit n'est pas une preuve que le modèle est correct. 04 Comparez entre familles. Le mode comparaison classe les ajustements par AIC, qui pénalise les paramètres supplémentaires, et affiche le R² ajusté à côté du R² simple. 05 Vérifiez la bande de prédiction avant d'extrapoler. La bande s'élargit en s'éloignant des données ; si vous prédisez hors de la plage ajustée, regardez l'intervalle, pas la courbe.
Lectures détaillées Prenez l'exponentielle y = 2.5·e^(−0.4x) échantillonnée en x = 0, 0.5, …, 6, puis ajoutez un petit bruit alterné de ±0.05 :
Ajustement
Paramètres
R²
R² ajusté
RMSE
AIC
Exponentielle (famille vraie)
a = 2.515414 , b = −0.402286
0.994984
0.994528
0.049678
−72.057
Quadratique
a = 0.070451 , b = −0.777154 , c = 2.436773
0.990802
0.988962
0.067272
−62.174
Plateau exponentiel
y₀ = 2.52585 , y<sub>m</sub> = 0.03714 , k = 0.41747
0.995116
0.994140
0.049019
−70.404
Double exponentielle
a = 0.081428 , b = 63.8975 , c = 2.46857 , d = 0.394163
0.995426
0.993901
0.047440
−69.256
Les paramètres de l'exponentielle encadrent les valeurs vraies : l'intervalle à 95 % est 2.42511 … 2.605718 pour a et −0.426244 … −0.378327 pour b. En x = 7, la valeur ajustée est 0.150535 avec une bande de 0.128419 … 0.172650 , contre une valeur vraie de 0.152025 . L'extrapolation en x = 20 donne 0.00080612 contre 0.00083866 en vérité — une erreur de 4 % dans une région où aucune donnée ne contraint l'ajustement.
Pourquoi plus de paramètres ajustent toujours mieux Les moindres carrés minimisent la somme des résidus au carré, et ajouter un paramètre ne peut que réduire cette somme. C'est pourquoi le R² simple est un mauvais arbitre : les quatre paramètres de la double exponentielle atteignent R² = 0.995426 , au-dessus des 0.994984 du modèle vrai, et le plateau exponentiel le dépasse aussi. Le R² ajusté et l'AIC retranchent une pénalité pour les paramètres utilisés, et le classement s'inverse : l'exponentielle à deux paramètres gagne à l'AIC avec −72.057 . Le « meilleur ajustement » n'est pas défini tant que vous ne dites pas ce que coûte un paramètre.
Les intervalles viennent de la courbure locale de la surface des résidus à la solution ; ils sont locaux et symétriques, et deviennent peu fiables quand les paramètres se compensent. La double exponentielle le montre — une amplitude (a) s'effondre vers zéro face à l'autre (c) pendant que son taux de décroissance (b) compense. Un jeu de données sans bruit est le cas limite : l'ajustement retrouve a = 2.5 , b = −0.4 avec SSE 0 , et la bande en x = 7 s'effondre à 0.152025 , car les résidus ne portent aucune information d'incertitude. Des intervalles de largeur nulle décrivent les données, pas le modèle.
Limites et cas limites
Les moindres carrés exigent un point de départ et une forme. Levenberg–Marquardt est local ; un modèle qui part loin des données peut converger vers un mauvais minimum local, et le panneau signale la convergence et le nombre d'itérations pour montrer quand il n'a pas convergé.
Les données doivent être des paires numériques. Les valeurs manquantes ne sont pas imputées et les unités ne sont pas suivies ; une ligne mal analysée est listée avec son numéro de ligne, et le mode comparaison refuse les jeux de données au-delà de 5,000 points au lieu de s'exécuter à l'aveugle. Ce qu'il ne fait pas. Il ne choisit pas de modèle à votre place, ne teste pas la normalité des résidus et ne traite pas les mesures pondérées et répétées — il ajuste le modèle que vous nommez aux points que vous collez. Pour les statistiques descriptives et les tests d'hypothèse, utilisez Statistics ; pour une régression linéaire avec inférence sur les coefficients, le Regression panel ; pour l'identification d'un régulateur à partir d'un échelon, Control Design .
Le piège de l'extrapolation Le piège classique est de faire confiance à la courbe hors des données. L'exponentielle ajustée prédit 0.00080612 en x = 20 alors que la vérité est 0.00083866 ; l'écart de 4 % semble inoffensif jusqu'à ce qu'on remarque que la bande de confiance en x = 7 vaut déjà ±0.022 , environ 15 % de la valeur, et croît avec la distance. Un ajustement quadratique sur cette même décroissance remonterait et croiserait zéro quelque part après les données, une forme que la physique interdit. Ajustez dans la plage mesurée, citez la bande, et traitez toute prédiction au-delà comme une hypothèse sur le modèle, pas comme une mesure.
Le second piège est de comparer le R² entre jeux de données. Le R² est relatif à la variance de la colonne y considérée ; le même modèle peut afficher 0,99 sur un signal calme et 0,85 sur un signal bruité sans devenir moins bon. Comparez les modèles sur les mêmes données, et utilisez la RMSE quand il faut une erreur dans les unités de y — ici 0.0497 pour l'exponentielle contre 0.0673 pour la quadratique.
Où cela s'inscrit Calibrer la réponse d'un capteur Ajustez une exponentielle ou une loi de puissance connue sur les points de calibration, puis vérifiez que les paramètres correspondent à la physique : a = 2.515 contre un nominal de 2,5 est une affirmation de calibration, tandis que l'intervalle 2.425 … 2.606 dit quelle part relève du bruit d'échantillonnage. La bande à un point de fonctionnement devient l'incertitude que vous emportez dans le calcul suivant.
Choisir entre mécanismes concurrents Quand deux mécanismes prédisent des formes différentes, le tableau de comparaison tranche par critère d'information plutôt qu'à l'œil : AIC de l'exponentielle −72.057 contre −62.174 pour la quadratique, un écart de près de dix, preuve forte de la forme de décroissance ; un écart de un ou deux appellerait plus de données plutôt qu'une conclusion.
Confidentialité Les données, les ajustements et les bandes sont calculés dans votre navigateur ; rien n'est téléversé.
Références
Wikipedia, Least squares , en.wikipedia.org (访问日期:2026-10-07)— l'objectif que minimise chaque ajustement.
Wikipedia, Coefficient of determination , en.wikipedia.org (访问日期:2026-10-07)— pourquoi le R² ne baisse jamais quand on ajoute des paramètres.
Wikipedia, Akaike information criterion , en.wikipedia.org (访问日期:2026-10-07)— la pénalité de paramètres utilisée dans le tableau de comparaison.
Wikipedia, Levenberg–Marquardt algorithm , en.wikipedia.org (访问日期:2026-10-07)— l'itération amortie de Gauss–Newton derrière l'ajustement.
NIST/SEMATECH e-Handbook of Statistical Methods, §4.1 Least Squares, itl.nist.gov (访问日期:2026-10-07)— résidus, degrés de liberté et incertitude.
Calculators in this hub
Hand-picked tools, one click away. The mini versions compute live and carry your values into the full calculator.
Sources & review
Updated 2026-10-07