Statistical Models for Social Sciences

𝑭𝒂𝒎𝒊𝒍𝒍𝒆 𝒅𝒆𝒔 𝑨𝒍𝒈𝒐𝒓𝒊𝒕𝒉𝒎𝒆𝒔 𝒅𝒆 𝑴𝒂𝒄𝒉𝒊𝒏𝒆 𝑳𝒆𝒂𝒓𝒏𝒊𝒏𝒈 : 𝒄𝒐𝒎𝒎𝒆𝒏𝒕 𝒔’𝒚 𝒓𝒆𝒕𝒓𝒐𝒖𝒗𝒆𝒓 ? Le Machine Learning ne se résume pas à un seul algorithme. C’est plutôt une grande famille de méthodes qui permettent aux machines d’apprendre à partir des données, selon le type de problème à résoudre. 𝟏. 𝑳’𝒂𝒑𝒑𝒓𝒆𝒏𝒕𝒊𝒔𝒔𝒂𝒈𝒆 𝒔𝒖𝒑𝒆𝒓𝒗𝒊𝒔𝒆́ Ici, les données contiennent déjà une réponse connue. L’objectif est d’apprendre une relation entre les variables explicatives et la variable cible. Pour prédire une valeur continue, on parle de régression : régression linéaire, Ridge, Lasso, Elastic Net, Random Forest Regressor, Gradient Boosting, etc. Pour prédire une catégorie, on parle de classification : régression logistique, SVM, KNN, Naïve Bayes, arbres de décision, Random Forest, XGBoost, LightGBM, CatBoost, etc. 𝟐. 𝑳’𝒂𝒑𝒑𝒓𝒆𝒏𝒕𝒊𝒔𝒔𝒂𝒈𝒆 𝒏𝒐𝒏 𝒔𝒖𝒑𝒆𝒓𝒗𝒊𝒔𝒆́ Ici, il n’y a pas de réponse prédéfinie. Le modèle cherche lui-même à déco...

En statistique, les formules ne sont pas seulement des calculs. Elles permettent de 𝒓𝒆́𝒔𝒖𝒎𝒆𝒓, 𝒄𝒐𝒎𝒑𝒂𝒓𝒆𝒓 et 𝒊𝒏𝒕𝒆𝒓𝒑𝒓𝒆́𝒕𝒆𝒓 les données avec précision. 𝟏. 𝑳𝒂 𝒎𝒐𝒚𝒆𝒏𝒏𝒆 Elle indique la valeur centrale d’un ensemble de données. 𝒙̄ = 𝚺𝒙 / 𝒏 Elle répond à la question : quelle est la valeur moyenne observée ? 𝟐. 𝑳𝒂 𝒎𝒆́𝒅𝒊𝒂𝒏𝒆 Elle représente la valeur située au milieu lorsque les données sont classées. Elle est très utile lorsque les données contiennent des valeurs extrêmes. 𝟑. 𝑳𝒂 𝒗𝒂𝒓𝒊𝒂𝒏𝒄𝒆 Elle mesure à quel point les observations s’éloignent de la moyenne. Plus la variance est élevée, plus les données sont dispersées. 𝟒. 𝑳’𝒆́𝒄𝒂𝒓𝒕-𝒕𝒚𝒑𝒆 C’est la racine carrée de la variance. Il permet de comprendre la dispersion des données dans la même unité que la variable étudiée. Un faible écart-type signifie que les valeurs sont proches de la moyenne. 𝟓. 𝑳𝒆 𝒔𝒄𝒐𝒓𝒆 𝒁 Le score Z indique la position d’une observation par rappor...