Softaware pour déterminer un modèle

[Tompouce67]

Personnellement, j’utilise le logiciel Root développé pour les analyses de données au CERN.
Un exemple de fit est disponible ici
https://root.cern.ch/doc/v612/fitLinear_8C.html

[leyone]

Merci de toutes vos réponses

je vais effectivement essayer un truc sur simple du style courbe de tendance excel, si jamais je vois que ça marche pas je me lancerai probablement avec Root.

Merci encore

[fakbill]

qlqn demande comment fitter des données sans avoir d'expérience dans le domaine.
Tompouce67 : je ne pense pas que lui parler d'un outil en C++ soit une réponse très adaptée
il faut déjà qu'il comprenne ce qu'est un fit; ce qu'est une function de cout, qu'on essaye de faire un modèle physique dans la mesure du possible; la difference entre fitter et interpoler, pourquoi c'est mauvais d'interpoler avec un polynome de degree N quand on a N+1 données, pourquoi on extrapole jamais si on n'a pas de justification physique du modèle; la difference non pas entre linéaire ou pas mais entre convexe ou pas; ce qu'est un GROS problem d'optimisation de nos jours sur un laptop standard et ce qui est un tout petit truc; ...ce genre de choses...et je ne parle pas de la gestion des barres d'erreur.

Ensuite peut jouer avec des outils simples comme le module de fit de scipy ou de R ou de matlab mais sans les bases ça va faire rapidement n'importe quoi.

ps : trouvez moi UN cours d'optimisation en école d'ingé qui commence par mettre au clair toutes ces bases AVANT d'écrire les equations de la descente de gradient ou de je ne sais quoi et je souhaiterai une longue et heureuse vie au prof qui le fait

[Tompouce67]

Ça dépend quelle est la visée du projet.
Si le but, c'est juste d'avoir une description analytique du phénomène, une black-box qui optimise les coefficients numériques et renvoient les erreurs associées ça suffit.
On parle de caractériser un condensateur pour faire des études physiques, pas de faire un projet de maths app pour étudier les fits dans leur généralité avec toutes les exceptions qui peuvent exister.

[fakbill]

Oui mais meme avant de jouer avec une simple black box, il faut etre conscient des choses don't je parlais sinon on fait vite n'importe quoi.
une première question "simple" : on veut fiter ou on veut interpoler? très probablement fiter...mais la difference est elle évidente? Pas sûr quand on débute.

[leyone]

Effectivement je ne connais pas la différence entre tes 2 termes

Pour l'instant la courbe de tendance excel suffit en terme de précision mais je ne pourrais pas corriger en utilisant mon électronique embarqué qui est trop basique (le modèle est un polynôme d'ordre 2 avec des coeffs style 0.139).

Je vais devoir "tricher" en disant si je suis à cette température retire ou ajoute tant, ça mon électronique peut le faire normalement.

Donc là, je test plusieurs condensateurs dans plusieurs plages de températures et niveau de fluide pour voir si je peux en retirer un tableau de référence et corriger en "trichant".

[bullquies]

A mon avis ça vaut le coup de nous expliquer ce que tu essayes exactement de faire de manière macro, peut-être que tu es parti sur un truc qui n'a que peu de valeur ajoutée par rapport à ce que tu essayes d'obtenir

[saysws]

Personnellement, j’utilise le logiciel Root développé pour les analyses de données au CERN.
Un exemple de fit est disponible ici
https://root.cern.ch/doc/v612/fitLinear_8C.html

J'aurais du me douter que quelqu'un aller proposer Root

J'ai failli le faire pour plaisanter.

Plus sérieusement je recommande vraiment pas, pour un néophyte c'est clairement pas le plus simple, même le build à coup de cmake- machin est délicate quand on a pas l'habitude. En plus je pense pas que l'auteur sache coder en C++. Alors que Scikit-Learn par exemple c'est (au moins) aussi puissant, mais beaucoup plus intuitif.

Sinon d'un point de vue physique je suis pas sûr qu'un polynôme suffise pour avoir une très bonne approximation, il y a potentiellement des termes en log, 1/T, 1/T^2 dans le développement, et ça doit être à peu près tout.

Au pire si tu veux juste une fonction qui fit tes données sans avoir l'expression analytique tu peux faire une random forest regression, franchement ça se fait très simplement, tu trouvera des trucs ici par exemple :
https://scikit-learn.org/stable/modules ... om-forests

L'intérêt c'est que ça permet de voir quelle tête à la fonction cible, et à quelle précision tu peux prétendre (c'est vraiment très simple et efficace).

Si t'as beaucoup de points un réseau de neurones éventuellement, mais je recommande pas pour ce problème.

Ou sinon pour avoir les coefficients, je te conseillerais plutôt une kernel une kernel Ridge en essayant différents kernel que tu fais toi même (https://scikit-learn.org/stable/modules ... ridge.html).

Et puis j'ai rien contre Root (en fait si ), mais les méthodes que j'ai proposé n'existe pas sur TMVA (framework d'analyse de données de Root) aussi.

ps : trouvez moi UN cours d'optimisation en école d'ingé qui commence par mettre au clair toutes ces bases AVANT d'écrire les equations de la descente de gradient ou de je ne sais quoi et je souhaiterai une longue et heureuse vie au prof qui le fait

Sinon on peut tout simplement chercher un cours d'école d'ingé qui explique clairement les bases avant d'écrire des équations laides, il y aura déjà plus grand monde

[Puffin]

Tant qu'on n'a pas vu la tronche du plot (x,y) des relevés c'est inutile de faire des hypothèses sur la fonction de régression.

Je me souviens d'un modèle thermodynamique (sous Excel !) en aciérie, avec des entrées sur la composition de l'acier et des sorties du genre capacité thermique, que je devais mettre dans une boucle d'optimisation. Mon collègue me disait que son modèle était ultra compliqué, en fait sur la plage de valeurs intéressante il était linéaire

[Der RHDJ]

Si t'as beaucoup de points un réseau de neurones éventuellement

Je vote pour cette technique, commence avec 100 couches et augmente le nombre si les résultats ne sont pas satisfaisants : 200, 500, pourquoi pas 1000 ? Ça ne peut pas échouer.