Statistical Models for Social Sciences

En Machine Learning, tous les modèles de classification ne doivent pas être jugés uniquement avec le taux de bonne classification. Quand les données sont déséquilibrées, un modèle peut sembler performant… alors qu’il se trompe sur la classe la plus importante. 👉 𝑪’𝒆𝒔𝒕 𝒍𝒆 𝒑𝒓𝒐𝒃𝒍𝒆̀𝒎𝒆 𝒄𝒍𝒂𝒔𝒔𝒊𝒒𝒖𝒆 𝒅𝒆𝒔 𝒅𝒐𝒏𝒏𝒆́𝒆𝒔 𝒅𝒆́𝒔𝒆́𝒒𝒖𝒊𝒍𝒊𝒃𝒓𝒆́𝒆𝒔. Imaginons un jeu de données où 90 % des observations appartiennent à une seule classe. Un modèle qui prédit toujours cette classe peut afficher 90 % d’accuracy… Mais en réalité, il peut être incapable de détecter la classe minoritaire. 🔵 𝑳’𝒂𝒄𝒄𝒖𝒓𝒂𝒄𝒚 Elle mesure la proportion totale de prédictions correctes. 👉 Utile, mais parfois trompeuse en cas de classes déséquilibrées. 🔵 𝑳𝒂 𝒑𝒓𝒆́𝒄𝒊𝒔𝒊𝒐𝒏 Elle répond à la question : parmi les cas prédits positifs, combien sont réellement positifs ? C’est une mesure d’exactitude. 🔵 𝑳𝒆 𝒓𝒂𝒑𝒑𝒆𝒍 (𝑹𝒆𝒄𝒂𝒍𝒍) Il répond à la question : parmi les vrais positifs ex...

En mathématiques, en statistique, en économétrie, en Machine Learning et en intelligence artificielle, les 𝒎𝒂𝒕𝒓𝒊𝒄𝒆𝒔 sont partout. Elles permettent d’organiser les données, de représenter les transformations, de résoudre des systèmes d’équations et de construire de nombreux algorithmes modernes. 𝑼𝒏𝒆 𝒎𝒂𝒕𝒓𝒊𝒄𝒆, 𝒄’𝒆𝒔𝒕 𝒃𝒊𝒆𝒏 𝒑𝒍𝒖𝒔 𝒒𝒖’𝒖𝒏 𝒕𝒂𝒃𝒍𝒆𝒂𝒖 𝒅𝒆 𝒏𝒐𝒎𝒃𝒓𝒆𝒔. C’est un langage puissant pour décrire les relations entre variables. 𝑴𝒂𝒕𝒓𝒊𝒄𝒆 𝒓𝒆𝒄𝒕𝒂𝒏𝒈𝒖𝒍𝒂𝒊𝒓𝒆 Elle peut avoir un nombre de lignes différent du nombre de colonnes. Elle est très utilisée pour représenter les jeux de données : observations en lignes, variables en colonnes. 𝑴𝒂𝒕𝒓𝒊𝒄𝒆 𝒄𝒂𝒓𝒓𝒆́𝒆 Elle possède le même nombre de lignes et de colonnes. Elle joue un rôle central dans les systèmes d’équations, les modèles statistiques et les transformations linéaires. 𝑴𝒂𝒕𝒓𝒊𝒄𝒆 𝒊𝒏𝒗𝒆𝒓𝒔𝒊𝒃𝒍𝒆 Elle admet une inverse. Cela signifie qu’on peut “revenir en arrière” ...