10 janvier
Par
Le
Dans modélisation
Avec 0 Commentaire

Utiliser randomForest pour des modèles d’arbres en R Le package randomForest en R est un outil puissant pour construire des modèles d’arbres de décision. Il utilise une méthode d’ensemble qui combine plusieurs arbres pour améliorer la précision et réduire le risque de surapprentissage. Dans cet article, nous allons explorer comment utiliser randomForest pour créer un modèle de classification simple. Installation et chargement du package Avant de commencer, assurez-vous d’avoir installé le package randomForest. Vous pouvez l’installer en utilisant la commande suivante : install.packages(« randomForest ») Ensuite, chargez le package : library(randomForest) Exemple concret : Classification des iris Nous allons utiliser le célèbre jeu de données iris, quiRead More →

27 décembre
Par
Le
Dans modélisation
Avec 0 Commentaire

Utiliser des modèles mixtes avec lme4 en R Les modèles mixtes sont des outils statistiques puissants qui permettent de prendre en compte à la fois des effets fixes et des effets aléatoires dans les données. Ils sont particulièrement utiles lorsque les données sont structurées de manière hiérarchique ou lorsqu’il existe des corrélations au sein des groupes. Le package lme4 en R est l’un des outils les plus utilisés pour ajuster des modèles mixtes. Installation du package Avant de commencer, assurez-vous d’avoir installé le package lme4. Vous pouvez le faire en utilisant la commande suivante : install.packages(« lme4 ») Exemple concret Imaginons que nous avons un jeu deRead More →

17 décembre
Par
Le
Dans modélisation
Avec 0 Commentaire

Sélection de Variables avec stepAIC en R La sélection de variables est une étape cruciale dans le développement de modèles statistiques, car elle permet d’identifier les variables les plus pertinentes pour prédire une variable cible. L’une des méthodes populaires pour effectuer cette sélection est la méthode stepAIC du package MASS en R. Dans cet article, nous allons explorer comment utiliser stepAIC pour simplifier un modèle en éliminant les variables non significatives. Qu’est-ce que stepAIC ? stepAIC est une fonction qui utilise la méthode de sélection par étapes (stepwise selection) pour choisir les variables d’un modèle linéaire. Elle se base sur le critère d’information d’Akaike (AIC),Read More →

19 novembre
Par
Le
Dans modélisation
Avec 0 Commentaire

Interpréter les résultats d’un modèle linéaire avec summary en R Les modèles linéaires sont des outils statistiques puissants utilisés pour comprendre la relation entre une variable dépendante et une ou plusieurs variables indépendantes. En R, la fonction lm() permet de créer un modèle linéaire, et la fonction summary() fournit un résumé détaillé des résultats. Dans cet article, nous allons examiner comment interpréter ces résultats à l’aide d’un exemple concret. Exemple de données Imaginons que nous souhaitions étudier l’impact du nombre d’heures d’étude sur les notes d’examen d’un groupe d’étudiants. Nous avons les données suivantes : heures_etude: le nombre d’heures d’étude note_examen: la note obtenue àRead More →

14 octobre
Par
Le
Dans modélisation
Avec 0 Commentaire

Calculer les résidus d’un modèle avec resid en R Dans l’analyse de données, il est souvent nécessaire d’évaluer la qualité d’un modèle statistique. Une des manières de le faire est d’examiner les résidus, qui sont les différences entre les valeurs observées et les valeurs prédites par le modèle. Dans cet article, nous allons voir comment calculer les résidus d’un modèle de régression linéaire en utilisant la fonction resid en R. Qu’est-ce qu’un résidu ? Un résidu est défini comme suit : [ text{Résidu} = text{Valeur observée} – text{Valeur prédite} ] Les résidus nous aident à comprendre si notre modèle s’ajuste bien aux données. Un modèleRead More →

02 octobre
Par
Le
Dans modélisation
Avec 0 Commentaire

Ajuster une régression linéaire avec lm en R La régression linéaire est une méthode statistique utilisée pour modéliser la relation entre une variable dépendante et une ou plusieurs variables indépendantes. En R, la fonction lm() est utilisée pour ajuster un modèle de régression linéaire. Dans cet article, nous allons explorer comment utiliser cette fonction avec un exemple concret. Comprendre la fonction lm() La fonction lm() prend la forme suivante : lm(formule, data) formule : une formule qui décrit la relation entre les variables. Par exemple, y ~ x1 + x2 indique que y est la variable dépendante et x1 et x2 sont les variables indépendantes.Read More →

01 octobre
Par
Le
Dans modélisation
Avec 0 Commentaire

Ajuster un modèle de régression logistique avec glm en R La régression logistique est une méthode statistique utilisée pour modéliser la relation entre une variable dépendante binaire et une ou plusieurs variables indépendantes. Dans cet article, nous allons voir comment ajuster un modèle de régression logistique en utilisant la fonction glm() de R. Qu’est-ce que la régression logistique ? La régression logistique est utilisée lorsque la variable cible est binaire, c’est-à-dire qu’elle prend deux valeurs, souvent codées comme 0 et 1. Par exemple, nous pourrions vouloir prédire si un client va acheter un produit (1) ou non (0) en fonction de certaines caractéristiques. Exemple concretRead More →

30 septembre
Par
Le
Dans modélisation
Avec 0 Commentaire

Ajuster des modèles non linéaires avec nls en R L’ajustement de modèles non linéaires est une tâche courante en analyse de données, surtout lorsque les relations entre les variables ne peuvent pas être décrites par une simple droite. En R, la fonction nls() (pour « non-linear least squares ») permet d’ajuster des modèles non linéaires à des données. Qu’est-ce que nls() ? La fonction nls() est utilisée pour ajuster des modèles non linéaires en minimisant la somme des carrés des résidus. Cela signifie qu’elle cherche à trouver les paramètres du modèle qui rendent les prédictions aussi proches que possible des valeurs observées. Exemple concret Imaginons que nousRead More →

23 mai
Par
Le
Dans SAS, expérimentation, modélisation
Avec 0 Commentaire

Une anova avec modèle mixte comme VARCOMP dans SAS Créons d’abord un jeu de données. On souhaite déterminer la précision et la répétabilité d’une analyse. Pour cela, la mesure est effectuée par 2 techniciens différents, sur des concentrations de produits différents sur 3 jours différents et avec 2 réplicats. library(dplyr) set.seed(42) data <- tibble( concentration = rep(c(10, 30, 50, 80), 3*2), technicien = rep(c(« A », « B »), each = 3*2*2), jour = rep(rep(1:3, each = 2*2), 2), replicat = rep(1:2, times = 2*3*2)) %>% mutate(mesure = ifelse( technicien == « A », 0.2 * concentration + rnorm(12, sd = 3), 0.2 * concentration + rnorm(12, sd = 2))) dataRead More →

15 décembre
Par
Le
Dans inférence, modélisation
Avec 8 Commentaires

La manière la plus simple d’ajuster une fonction à des données est la méthode « géométrique » des moindres carrés (minimiser la somme des carrés des écarts correspond à maximiser la vraisemblance avec une loi normale). La fonction nls de R permet de réaliser ceci de manière simple. Voyons deux exemples : #exemple modèle de croissance exponentiel #on crée une fonction qui correspond à un modèle de Malthus malthus<-function(t,N0,r){N0*exp(r*t)} t<-seq(0:100) NO<-2 r<-0.05 plot(malthus(t,NO,r)~t,type=’l’,col=’green’,lwd=2) #on crée des données en ajoutant du bruit sim<-malthus(t,NO,r)+rnorm(t,sd=0.3*malthus(t,NO,r)) plot(sim~t,pch=20) #on ajuste la fonction sur les données simulées en utilisant les moindres carrés fitmalthus<-nls(sim~malthus(t,a,b),start=list(a=1,b=0.01)) fitmalthus summary(fitmalthus) #on vérifie plot(sim~t,pch=20) lines(malthus(t,NO,r)~t,type=’l’,col=’green’,lwd=2) lines(malthus(t,coef(fitmalthus)[1],coef(fitmalthus)[2])~t,type=’l’,col=’red’,lwd=2) #exemple 2 avecRead More →