Notions de base sur la modélisation pour la prédiction

Modélisation avec des données dans le tidyverse

Albert Y. Kim

Assistant Professor of Statistical and Data Sciences

Exemple de modélisation pour la prédiction

Un ensemble de données sur les prix des maisons dans le comté de King, État de Washington, près de Seattle (disponible sur Kaggle.com).

Question : Peut-on prédire le prix de vente des maisons à partir de leurs caractéristiques ?

Variables :

$y$ : price de vente, en dollars US
$\vec{x}$ : caractéristiques comme sqft_living, condition, bedrooms, yr_built, waterfront

Exemple de modélisation pour la prédiction

Du paquet moderndive pour ModernDive :

library(dplyr)
library(moderndive)
glimpse(house_prices)

Observations: 21,613
Variables: 21
$ id            <chr> "7129300520", "6414100192"...
$ date          <dttm> 2014-10-13, 2014-12-09, 2015...
$ price         <dbl> 221900, 538000, 180000, 604000...
...

Analyse exploratoire des données

library(ggplot2)
ggplot(house_prices, aes(x = price)) +
  geom_histogram() + 
  labs(x = "house price", y = "count")

Histogramme de la variable cible

Données Gapminder

Recalage log10 de l'axe des x

Transformation log10

# log10() transform price and size
house_prices <- house_prices %>%
  mutate(log10_price = log10(price)) %>% 
  select(price, log10_price)

# A tibble: 21,613 x 2
     price log10_price
     <dbl>       <dbl>
 1  221900        5.35
 2  538000        5.73
 3  180000        5.26
 4  604000        5.78
 5  510000        5.71
 6 1225000        6.09

Histogramme de la nouvelle variable cible

# Histogram of original outcome variable
ggplot(house_prices, aes(x = price)) +
  geom_histogram() + 
  labs(x = "house price", y = "count")

# Histogram of new, log10-transformed outcome variable
ggplot(house_prices, aes(x = log10_price)) +
  geom_histogram() + 
  labs(x = "log10 house price", y = "count")

Comparer avant et après la transformation log10

Passons à la pratique !

Modélisation avec des données dans le tidyverse