Une histoire d'erreur

[inviteec33ac08]

Bonjour voila je suis en train de traiter des données et j'ai un paramètre qui s'appelle l'erreur (en fait je suis en train de fitter des données via une méthode des moindres carrées). Est-ce que l'un d'entre vous connaîtrez un moyen de redimensionner l'erreur car ces erreur sont comprises plus ou moins entre 10^5 et 10^6 mais les bons fits correspondent à des valeurs de 10^5. Je cherche un moyen assez simple, j'ai entendu parler du coefficient de détermination mais cela n'est pas assez précis pour moi.

Merci encore

PS: l'erreur dont je parle est défini comme étant la norme 2 entre le point fitté et les données.
-----

[Dlzlogic]

Bonjour,
Si l'expérience est correcte, c'est à dire sans anomalie prouvable, il n'y a pas de raison de supprimer des données.
La moyenne [des données] est la valeur la plus probable du résultat cherché. La répartition des écarts par rapport à cette moyenne doit être gaussienne.
Il est possible que le terme "erreur" soit pour vous synonyme de "faute". Alors utilisez le terme "écart".
Pour être plus précis, il faudrait voir les valeurs concernées et la méthode utilisée pour la régression.

[leon1789]

Bonjour,

La moyenne [des données] est la valeur la plus probable du résultat cherché. La répartition des écarts par rapport à cette moyenne doit être gaussienne.

Comme déjà signalé maintes fois, ceci peut être vrai ou faux, tout dépend du contexte probabiliste... Et pour l'instant, dans la situation de Jules345, visiblement, le contexte est lié à de l'optimisation, pas des probabilités ! Donc, par pitié, évitons de faire des mélanges qui apportent de la confusion (dont certains ne sortent jamais )

Dire que la moyenne est la meilleure constante au sens des moindres carrés (autrement dit pour la norme 2), oui, c'est exact. Mais cela n'a rien à voir avec des probas. Quant à la gaussienne, ben, comme d'habitude, ça dépend du contexte... (certains sont enfermés dans leur refrain gaussien et ne s'en sortent jamais )

Est-ce que l'un d'entre vous connaîtrez un moyen de redimensionner l'erreur

qu'entendez-vous par "redimensionner" l'erreur ? vous voulez dire "diminuer" l'erreur ? Dans ce cas, il faut peut-être changer le type de fonctions pour fitter, ou bien augmenter le nombres de paramètres libres dans votre type de fonctions actuelles, etc.

Pour être plus précis, il faudrait voir les valeurs concernées et la méthode utilisée pour la régression.

Je suis d'accord.