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 →

27 septembre
Par
Le
Dans classification
Avec 0 Commentaire

Ajuster des modèles de classification avec glmnet Le package glmnet en R est un outil puissant pour ajuster des modèles de régression et de classification, en particulier lorsque nous avons des données avec un grand nombre de variables prédictives. Ce package utilise la régularisation Lasso et Ridge, ce qui permet de gérer la multicolinéarité et de sélectionner des variables pertinentes. Installation et chargement du package Avant de commencer, assurez-vous d’avoir installé le package glmnet. Vous pouvez l’installer avec la commande suivante : install.packages(« glmnet ») Ensuite, chargez le package : library(glmnet) Exemple concret : Classification avec le jeu de données Iris Nous allons utiliser le célèbre jeuRead More →

26 septembre
Par
Le
Dans visualisation
Avec 0 Commentaire

Ajouter une régression linéaire à un graphique avec ggplot2 La visualisation des données est une étape cruciale dans l’analyse des données. L’un des moyens les plus efficaces pour comprendre la relation entre deux variables est d’ajouter une régression linéaire à un graphique. Dans cet article, nous allons voir comment le faire en utilisant le package ggplot2 en R. Installation et chargement des packages Avant de commencer, assurez-vous d’avoir installé et chargé le package ggplot2. Si vous ne l’avez pas encore fait, vous pouvez l’installer avec la commande suivante : install.packages(« ggplot2 ») Ensuite, chargez le package : library(ggplot2) Exemple de données Pour cet exemple, nous allons utiliserRead More →

24 septembre
Par
Le
Dans visualisation
Avec 0 Commentaire

Ajouter des labels et des titres dans ggplot2 Le package ggplot2 est l’un des outils les plus puissants pour la visualisation de données en R. L’un des aspects les plus importants de la création de graphiques est de s’assurer qu’ils sont clairs et compréhensibles. Cela inclut l’ajout de titres, de sous-titres et de labels pour les axes. Dans cet article, nous allons voir comment ajouter ces éléments à vos graphiques. Exemple concret Imaginons que nous souhaitions visualiser la relation entre le poids et la taille d’un jeu de données fictif. Voici un exemple de code R qui illustre comment créer un graphique de dispersion avecRead More →

21 octobre
Par
Le
Dans base indispensable, chaines de caractères, tidyverse
Avec 0 Commentaire

Analyser des données demande de savoir manipuler aussi du texte. Ce que nous appelons texte en tant qu’humain est interprété par R comme une chaîne de caractères. Le type de donnée correspondant dans R est appelé: character. class(« abcdR ») ## [1] « character » Il est parfois nécessaire d’extraire des motifs particuliers de chaînes de caractères. Pour ce faire on peut utiliser des expressions régulières ou regex en anglais. Pour cela nous allons utiliser {stringr}, un package du tidyverse. library(stringr) Considérons un vecteur de noms de fichiers csv. noms_fichiers <- c(« pop_FRA_2019.csv », « pop_ITA_2020.csv », « pop_ESP_2019.csv ») Comment extraire le code iso3 (FRA, ITA…) ? str_extract(string = noms_fichiers, pattern = « [A-Z]{3} ») ##Read More →

23 septembre
Par
Le
Dans importation de données, sig - cartographie
Avec 0 Commentaire

Un raster est un fichier géographique dont les données sont stockées sous forme d’une grille régulière. Il existe plusieurs format de stockage : GeoTiff, netcdf, asc, …  Dans R, il existe 3 packages principaux qui peuvent vous permettre de lire un fichier raster : l’historique : {raster} la version remastérisée avec du C++ : {terra} un package récent avec une philosophie différente : {stars} Lecture d’un fichier raster avec une seule couche # récupération du chemin d’un Geotifftif <- system.file(« tif/L7_ETMs.tif », package = « stars ») # lecture avec {raster}r_raster <- raster(tif)# lecture avec {terra}r_terra <- rast(tif)# lecture avec {stars}r_stars <- read_stars(tif) Lecture d’un fichier raster avec plusieursRead More →

30 janvier
Par
Le
Dans manipulation de données, tidyverse
Avec 0 Commentaire

Plusieurs façon de faire, à vous de choisir celle qui vous plait le plus 🙂 Fabriquons un petit jeu de données auquel nous souhaitons ajouter une colonne contenant le nombre ne NA sur chacune des lignes. library(tidyverse) dataset <- tribble(~a,~b,~c, 1,NA,NA, NA,NA,NA, 1,2,3, NA,3,NA ) A l’ancienne dataset$nb <- apply(dataset, MARGIN = 1, function(x){sum(is.na(x))}) avec du pmap et du mutate dataset %>% mutate(nb = pmap(.,function(a,b,c){sum(is.na(a),is.na(b),is.na(c))}), nb= unlist(nb)) Mais c’est dommage de devoir spécifier a, b et c. donc simplifions : dataset %>% mutate(nb = pmap_dbl(., function(…){sum(is.na(c(…)))})) Cela reste à mon goût un peu trop verbeux Avec rowSums dataset %>% mutate(nb = rowSums(is.na(.))) ça c’est propreRead More →