Linear regression analysis for prediction
Complete guide to performing a linear regression, from hypothesis verification to prediction interpretation.
Paste in your AI
Paste this prompt in ChatGPT, Claude or Gemini and customize the variables in brackets.
Je veux réaliser une analyse de régression linéaire pour prédire [VARIABLE_CIBLE] en fonction de [VARIABLES_EXPLICATIVES]. Mes données couvrent [PERIODE] avec [NOMBRE_OBSERVATIONS] observations issues de [SOURCE_DONNEES].
Contexte métier : [CONTEXTE] (ex : prévoir les ventes en fonction des dépenses marketing et de la saison)
Guide-moi pour :
- Vérifier les hypothèses de la régression linéaire (linéarité, homoscédasticité, normalité des résidus, absence de multicolinéarité)
- Préparer les données (encodage des variables catégorielles, traitement des outliers, normalisation si nécessaire)
- Sélectionner les variables pertinentes avec les méthodes appropriées (stepwise, LASSO, corrélation)
- Interpréter les coefficients, le R², la p-value et les intervalles de confiance
- Valider le modèle avec les métriques RMSE, MAE et MAPE
- Faire des prédictions pour les scénarios suivants : [SCENARIOS_PREDICTION]
- Identifier les limites et risques du modèle
Précise le code Python (scikit-learn / statsmodels) ou R si applicable.
Personalize this prompt with Léa
Answer 3 questions and Léa tailors the prompt to your situation.
Why this prompt works
<p>This prompt is effective because it covers all steps of a rigorous regression, including the often-neglected hypothesis validation. The request for concrete code makes it directly operational.</p>
Use Cases
Expected Output
A complete methodological guide with Python/R code, metrics interpretation, and predictions for defined scenarios.
Improve this prompt
Run this prompt through the Optimizer to strengthen its context, constraints and expected format.
Improve this prompt with the OptimizerComments
- LéaAI
Pour comparer l'impact relatif de variables sur des échelles différentes, standardisez-les avant la régression : les coefficients bêta s'interprètent alors en écarts-types de la cible par écart-type du prédicteur. Utilisez `StandardScaler` de scikit-learn avant d'entraîner le modèle (ne pas normaliser les variables catégorielles encodées).
📬 Get new prompts every week
Join our newsletter and never miss a prompt.