Articles

📌 𝗟𝗼𝗶𝘀 𝗱𝗲 𝗽𝗿𝗼𝗯𝗮𝗯𝗶𝗹𝗶𝘁𝗲́ : 𝗯𝗶𝗲𝗻 𝗹𝗲𝘀 𝗰𝗵𝗼𝗶𝘀𝗶𝗿, 𝗰’𝗲𝘀𝘁 𝗺𝗶𝗲𝘂𝘅 𝗮𝗻𝗮𝗹𝘆𝘀𝗲𝗿 📊

Image
En statistique et en data science, beaucoup d’apprenants retiennent les formules des lois de probabilité. Mais la vraie question n’est pas seulement : 👉 𝗤𝘂𝗲𝗹𝗹𝗲 𝗲𝘀𝘁 𝗹𝗮 𝗳𝗼𝗿𝗺𝘂𝗹𝗲 ? La vraie question est surtout : 👉 𝗤𝘂𝗮𝗻𝗱 𝗲𝘁 𝗽𝗼𝘂𝗿𝗾𝘂𝗼𝗶 𝗳𝗮𝘂𝘁-𝗶𝗹 𝘂𝘁𝗶𝗹𝗶𝘀𝗲𝗿 𝗰𝗲𝘁𝘁𝗲 𝗹𝗼𝗶 ? Chaque loi de probabilité répond à un type particulier de phénomène. 𝗗𝗶𝘀𝘁𝗿𝗶𝗯𝘂𝘁𝗶𝗼𝗻𝘀 𝗱𝗶𝘀𝗰𝗿𝗲̀𝘁𝗲𝘀 🔹 Loi de Bernoulli : succès / échec sur un seul essai P(X = k) = p^k (1 − p)^(1 − k), k ∈ {0,1} 🔹 Loi binomiale : nombre de succès sur n essais indépendants P(X = k) = C(n,k) p^k (1 − p)^(n − k) 🔹 Loi de Poisson : comptage d’événements rares sur un intervalle P(X = k) = (e^(−λ) λ^k) / k! 𝗗𝗶𝘀𝘁𝗿𝗶𝗯𝘂𝘁𝗶𝗼𝗻𝘀 𝗰𝗼𝗻𝘁𝗶𝗻𝘂𝗲𝘀 🔹 Loi normale (gaussienne) : données continues symétriques autour d’une moyenne f(x) = 1 / (σ√(2π)) · exp(−(x − μ)² / (2σ²)) 🔹 Loi exponentielle : temps d’attente entre événements f(x) = λe^(−λx), x ≥ 0 ...
Enregistrer un commentaire
Lire la suite

📌 𝗡𝗮𝘁𝘂𝗿𝗲 𝗲𝘁 𝗰𝗵𝗮𝗺𝗽 𝗱𝗲 𝗹’𝗲́𝗰𝗼𝗻𝗼𝗺𝗶𝗲 : 𝗽𝗼𝘂𝗿𝗾𝘂𝗼𝗶 𝗹𝗲𝘀 𝗿𝗲𝘀𝘀𝗼𝘂𝗿𝗰𝗲𝘀 𝗿𝗮𝗿𝗲𝘀 𝗶𝗺𝗽𝗼𝘀𝗲𝗻𝘁 𝗱𝗲𝘀 𝗰𝗵𝗼𝗶𝘅 ? 📊

Image
L’ 𝗲 ́ 𝗰𝗼𝗻𝗼𝗺𝗶𝗲 est une science sociale qui étudie la manière dont les individus, les entreprises et les États utilisent des ressources limitées pour produire, échanger et consommer des biens et services. Son point de départ est simple : 👉 𝗹𝗲𝘀 𝗯𝗲𝘀𝗼𝗶𝗻𝘀 𝗵𝘂𝗺𝗮𝗶𝗻𝘀 𝘀𝗼𝗻𝘁 𝗶𝗹𝗹𝗶𝗺𝗶𝘁𝗲 ́ 𝘀 👉 𝗹𝗲𝘀 𝗿𝗲𝘀𝘀𝗼𝘂𝗿𝗰𝗲𝘀 𝘀𝗼𝗻𝘁 𝗿𝗮𝗿𝗲𝘀 👉 𝗹𝗲𝘀 𝗰𝗵𝗼𝗶𝘅 𝗱𝗲𝘃𝗶𝗲𝗻𝗻𝗲𝗻𝘁 𝗱𝗼𝗻𝗰 𝗶𝗻𝗲 ́ 𝘃𝗶𝘁𝗮𝗯𝗹𝗲𝘀 C’est précisément cette rareté qui donne naissance aux problèmes économiques. Par exemple, un agriculteur peut vouloir cultiver du riz, de la canne à sucre, de la banane ou du coton. Mais il ne peut pas tout faire en même temps si la terre, l’eau, le capital ou la main-d’œuvre sont limités. Il doit donc choisir. Et c’est là que l’économie intervient : elle aide à 𝗰𝗼𝗺𝗽𝗮𝗿𝗲𝗿 𝗹𝗲𝘀 𝗮𝗹𝘁𝗲𝗿𝗻𝗮𝘁𝗶𝘃𝗲𝘀 , à 𝗲 ́ 𝘃𝗮𝗹𝘂𝗲𝗿 𝗹𝗲𝘀 𝗰𝗼𝘂 ̂ 𝘁𝘀 et à 𝗽𝗿𝗲𝗻𝗱𝗿𝗲 𝗹𝗮 𝗺𝗲𝗶𝗹𝗹𝗲𝘂𝗿𝗲 𝗱𝗲 ́ 𝗰𝗶𝘀𝗶𝗼...
Enregistrer un commentaire
Lire la suite

📌 𝐑𝐢𝐝𝐠𝐞 𝐑𝐞𝐠𝐫𝐞𝐬𝐬𝐢𝐨𝐧 : 𝐜𝐨𝐦𝐩𝐫𝐞𝐧𝐝𝐫𝐞 𝐥𝐚 𝐫𝐞́𝐠𝐮𝐥𝐚𝐫𝐢𝐬𝐚𝐭𝐢𝐨𝐧 𝐋𝟐 𝐞𝐧 𝐦𝐚𝐜𝐡𝐢𝐧𝐞 𝐥𝐞𝐚𝐫𝐧𝐢𝐧𝐠 📊🤖

Image
En apprentissage automatique, la 𝐑𝐢𝐝𝐠𝐞 𝐑𝐞𝐠𝐫𝐞𝐬𝐬𝐢𝐨𝐧 est une technique très utilisée lorsque le modèle linéaire classique devient instable. 👉 En termes simples, la 𝐑𝐢𝐝𝐠𝐞 𝐑𝐞𝐠𝐫𝐞𝐬𝐬𝐢𝐨𝐧 est une 𝐫𝐞́𝐠𝐫𝐞𝐬𝐬𝐢𝐨𝐧 𝐥𝐢𝐧𝐞́𝐚𝐢𝐫𝐞 𝐚𝐯𝐞𝐜 𝐮𝐧𝐞 𝐩𝐞́𝐧𝐚𝐥𝐢𝐬𝐚𝐭𝐢𝐨𝐧 𝐋𝟐. Son objectif est de réduire la taille des coefficients afin de limiter le 𝐬𝐮𝐫𝐚𝐣𝐮𝐬𝐭𝐞𝐦𝐞𝐧𝐭 et de mieux gérer la 𝐦𝐮𝐥𝐭𝐢𝐜𝐨𝐥𝐢𝐧𝐞́𝐚𝐫𝐢𝐭𝐞́. Autrement dit, lorsque plusieurs variables explicatives sont fortement corrélées entre elles, les coefficients d’une régression linéaire classique peuvent devenir très instables. La régression Ridge vient alors imposer une forme de discipline au modèle. 📐 𝐋’𝐢𝐝𝐞́𝐞 𝐝𝐮 𝐜𝐫𝐢𝐭𝐞̀𝐫𝐞 𝐚̀ 𝐦𝐢𝐧𝐢𝐦𝐢𝐬𝐞𝐫 : β̂ridge = argmin { Σ(yi − Xiβ)² + λΣβj² } Dans cette expression : • 𝐒Σ(𝐲𝐢 − 𝐗𝐢β)² représente l’erreur du modèle, appelée somme des carrés des résidus. • 𝐋𝐚 𝐩𝐚𝐫𝐭𝐢𝐞 λΣβj² représente la pénalité L2 appliquée aux...
Enregistrer un commentaire
Lire la suite

𝑩𝒊𝒆𝒏 𝒄𝒉𝒐𝒊𝒔𝒊𝒓 𝒔𝒐𝒏 𝒕𝒆𝒔𝒕 𝒔𝒕𝒂𝒕𝒊𝒔𝒕𝒊𝒒𝒖𝒆 : 𝒍𝒂 𝒄𝒍𝒆́ 𝒅’𝒖𝒏𝒆 𝒂𝒏𝒂𝒍𝒚𝒔𝒆 𝒇𝒊𝒂𝒃𝒍𝒆 📊

Image
En analyse de données, 𝐥𝐞 𝐜𝐡𝐨𝐢𝐱 𝐝𝐮 𝐭𝐞𝐬𝐭 𝐬𝐭𝐚𝐭𝐢𝐬𝐭𝐢𝐪𝐮𝐞 n’est jamais un détail. Il peut influencer directement la 𝐪𝐮𝐚𝐥𝐢𝐭𝐞 ́ , la 𝐩𝐫𝐞 ́ 𝐜𝐢𝐬𝐢𝐨𝐧 et la 𝐜𝐫𝐞 ́ 𝐝𝐢𝐛𝐢𝐥𝐢𝐭𝐞 ́ de vos résultats. Autrement dit, une bonne question de recherche mérite aussi 𝐥𝐞 𝐛𝐨𝐧 𝐨𝐮𝐭𝐢𝐥 𝐝 ’ 𝐚𝐧𝐚𝐥𝐲𝐬𝐞 . Voici un repère simple pour mieux vous orienter : ✅ 𝐂𝐨𝐦𝐩𝐚𝐫𝐞𝐫 𝟐 𝐠𝐫𝐨𝐮𝐩𝐞𝐬 𝐢𝐧𝐝𝐞 ́ 𝐩𝐞𝐧𝐝𝐚𝐧𝐭𝐬 → 𝐭 - 𝐭𝐞𝐬𝐭 𝐩𝐨𝐮𝐫 𝐞 ́ 𝐜𝐡𝐚𝐧𝐭𝐢𝐥𝐥𝐨𝐧𝐬 𝐢𝐧𝐝𝐞 ́ 𝐩𝐞𝐧𝐝𝐚𝐧𝐭𝐬 ✅ 𝐂𝐨𝐦𝐩𝐚𝐫𝐞𝐫 𝐮𝐧 𝐚𝐯𝐚𝐧𝐭 / 𝐚𝐩𝐫𝐞 ̀ 𝐬 → 𝐭 - 𝐭𝐞𝐬𝐭 𝐚𝐩𝐩𝐚𝐫𝐢𝐞 ́ ✅ 𝐂𝐨𝐦𝐩𝐚𝐫𝐞𝐫 𝟑 𝐠𝐫𝐨𝐮𝐩𝐞𝐬 𝐨𝐮 𝐩𝐥𝐮𝐬 → 𝐀𝐍𝐎𝐕𝐀 ✅ 𝐃𝐨𝐧𝐧𝐞 ́ 𝐞𝐬 𝐧𝐨𝐧 𝐧𝐨𝐫𝐦𝐚𝐥𝐞𝐬 → 𝐌𝐚𝐧𝐧 - 𝐖𝐡𝐢𝐭𝐧𝐞𝐲 ou 𝐊𝐫𝐮𝐬𝐤𝐚𝐥 - 𝐖𝐚𝐥𝐥𝐢𝐬 ✅ 𝐄 ́ 𝐭𝐮𝐝𝐢𝐞𝐫 𝐥𝐚 𝐫𝐞𝐥𝐚𝐭𝐢𝐨𝐧 𝐞𝐧𝐭𝐫𝐞 𝐝𝐞𝐮𝐱 𝐯𝐚𝐫𝐢𝐚𝐛𝐥𝐞𝐬 → 𝐜𝐨𝐫𝐫𝐞 ́ 𝐥𝐚𝐭𝐢𝐨𝐧 𝐝𝐞 𝐏𝐞𝐚𝐫𝐬𝐨𝐧 ou 𝐝𝐞 𝐒𝐩𝐞𝐚𝐫𝐦𝐚𝐧 ...
Enregistrer un commentaire
Lire la suite

𝑷𝒐𝒖𝒓𝒒𝒖𝒐𝒊 𝒍’𝒂𝒏𝒂𝒍𝒚𝒔𝒆 𝒅𝒆𝒔 𝒓𝒆́𝒔𝒊𝒅𝒖𝒔 𝒆𝒔𝒕 𝒊𝒏𝒅𝒊𝒔𝒑𝒆𝒏𝒔𝒂𝒃𝒍𝒆 𝒆𝒏 𝒔𝒕𝒂𝒕𝒊𝒔𝒕𝒊𝒒𝒖𝒆 𝒆𝒕 𝒆𝒏 𝒆́𝒄𝒐𝒏𝒐𝒎𝒆́𝒕𝒓𝒊𝒆 📊

Image
Construire un modèle de régression ne suffit pas. Le vrai enjeu est ailleurs : 𝐩𝐞𝐮𝐭 - 𝐨𝐧 𝐟𝐚𝐢𝐫𝐞 𝐜𝐨𝐧𝐟𝐢𝐚𝐧𝐜𝐞 𝐚𝐮𝐱 𝐫𝐞 ́ 𝐬𝐮𝐥𝐭𝐚𝐭𝐬 ? C’est précisément pour répondre à cette question que l’on s’intéresse aux 𝐫𝐞 ́ 𝐬𝐢𝐝𝐮𝐬 . Un résidu correspond simplement à l’écart entre la valeur observée et la valeur prédite par le modèle : 𝐑𝐞 ́ 𝐬𝐢𝐝𝐮 = 𝐕𝐚𝐥𝐞𝐮𝐫 𝐨𝐛𝐬𝐞𝐫𝐯𝐞 ́ 𝐞 − 𝐕𝐚𝐥𝐞𝐮𝐫 𝐩𝐫𝐞 ́ 𝐝𝐢𝐭𝐞 Dans un bon modèle, les résidus doivent se comporter comme un bruit aléatoire . S’ils révèlent au contraire une structure, une tendance ou un schéma particulier, cela signifie souvent que quelque chose ne va pas dans la spécification du modèle. 𝐏𝐨𝐮𝐫𝐪𝐮𝐨𝐢 𝐥 ’ 𝐚𝐧𝐚𝐥𝐲𝐬𝐞 𝐝𝐞𝐬 𝐫𝐞 ́ 𝐬𝐢𝐝𝐮𝐬 𝐞𝐬𝐭 - 𝐞𝐥𝐥𝐞 𝐬𝐢 𝐢𝐦𝐩𝐨𝐫𝐭𝐚𝐧𝐭𝐞 ? Parce qu’elle permet de vérifier si les hypothèses du modèle de régression sont réellement respectées. Quand ces hypothèses échouent, les conséquences peuvent être sérieuses : ...
Enregistrer un commentaire
Lire la suite