Cas d'utilisation des modèles de régression
Utiliser l'analytique augmentée pour la prévision des paiements
Dans l'étude de cas, nous vous présentons un scénario d'utilisation des modèles de régression dans la prévision des paiements.
Quels types de sujets pouvons-nous étudier avec un modèle de régression ?
- Mesure de l'impact d'une augmentation des coûts d'un produit sur les bénéfices d'une entreprise.
- Comprendre à quel point les ventes d'une entreprise sont sensibles à l'évolution des dépenses publicitaires, des promotions ou des prix.
- Analyse de l'incidence d'une modification des taux d'intérêt sur un cours d'action.
- Prévision des valeurs de sinistre et d'accident pour une compagnie d'assurance automobile, en fonction de facteurs tels que les attributs de la voiture, les informations sur le conducteur et les données démographiques.
- Prévoir la consommation future d'électricité en fonction de la demande historique, des prévisions météorologiques et des prix.
Analyse de régression dans Smart Predict
Qu'est-ce que l'analyse de régression ? L'analyse de régression est un nom collectif pour les techniques utilisées pour la modélisation et l'analyse de données numériques composées de valeurs d'une variable cible et d'une ou plusieurs variables d'influenceur.
Les paramètres de la régression sont estimés et donnent un "meilleur ajustement" des données.
La variable cible dans l'équation de régression est modélisée en fonction des variables d'influenceur, d'un terme de constantes et d'un terme d'erreur. La cible est une variable continue.
Lignes de régression
La formule pour une droite de régression simple est représentée sous la forme d'une équation : y = a + bx.
Où :
- Y est la cible.
- a est l'intercept (le niveau de y où x est 0).
- b est la pente de la ligne.
- x est la variable d'influenceur.
Régression linéaire multiple
- La régression linéaire multiple est utilisée pour expliquer la relation entre une variable cible continue et deux variables d’influenceur ou plus.
- Les variables d'influenceur peuvent être continues ou catégoriques.
- L'analyse de régression linéaire multiple est la tâche d'ajuster une seule ligne à travers un nuage de points, avec plusieurs dimensions de points de données.
- La régression est le plus souvent utilisée pour :
- Identifiez la force de l'effet des variables d'influenceur sur une variable cible.
- Effets de prévision ou impacts des modifications : pour comprendre à quel point la variable cible change lorsque vous modifiez les variables d'influenceur. Par exemple, une régression linéaire multiple peut expliquer le volume d'affaires attendu pour augmenter (ou diminuer) pour chaque augmentation (ou diminution) d'un point des heures de main-d'œuvre.
- Anticipez les tendances et les valeurs futures. L'analyse de régression linéaire multiple peut être utilisée pour obtenir des estimations ponctuelles. Un exemple de question est la suivante : quel sera le prix de l'or dans six mois ?
