𝗟𝗼𝗿𝘀𝗾𝘂'𝗼𝗻 𝘁𝗿𝗮𝗶𝘁𝗲 𝗱𝗲𝘀 𝗱𝗼𝗻𝗻é𝗲𝘀 𝗺𝗮𝗻𝗾𝘂𝗮𝗻𝘁𝗲𝘀❟ 𝗶𝗹 𝗲𝘀𝘁 𝗲𝘀𝘀𝗲𝗻𝘁𝗶𝗲𝗹 𝗱𝗲 𝗰𝗵𝗼𝗶𝘀𝗶𝗿 𝘂𝗻𝗲 𝗺é𝘁𝗵𝗼𝗱𝗲

𝗟𝗼𝗿𝘀𝗾𝘂'𝗼𝗻 𝘁𝗿𝗮𝗶𝘁𝗲 𝗱𝗲𝘀 𝗱𝗼𝗻𝗻é𝗲𝘀 𝗺𝗮𝗻𝗾𝘂𝗮𝗻𝘁𝗲𝘀❟ 𝗶𝗹 𝗲𝘀𝘁 𝗲𝘀𝘀𝗲𝗻𝘁𝗶𝗲𝗹 𝗱𝗲 𝗰𝗵𝗼𝗶𝘀𝗶𝗿 𝘂𝗻𝗲 𝗺é𝘁𝗵𝗼𝗱𝗲 𝗱’𝗶𝗺𝗽𝘂𝘁𝗮𝘁𝗶𝗼𝗻 𝗾𝘂𝗶 𝗰𝗼𝗿𝗿𝗲𝘀𝗽𝗼𝗻𝗱 à 𝗹𝗮 𝘀𝘁𝗿𝘂𝗰𝘁𝘂𝗿𝗲 𝘀𝗼𝘂𝘀-𝗷𝗮𝗰𝗲𝗻𝘁𝗲 𝗱𝗲𝘀 𝗱𝗼𝗻𝗻é𝗲𝘀.

Le graphique ci-joint compare 𝓵'𝓲𝓶𝓹𝓾𝓽𝓪𝓽𝓲𝓸𝓷 𝓹𝓪𝓻 𝓻é𝓰𝓻𝓮𝓼𝓼𝓲𝓸𝓷 𝓵𝓲𝓷é𝓪𝓲𝓻𝓮 (à gauche) et 𝓵𝓪 𝓶é𝓽𝓱𝓸𝓭𝓮 𝓟𝓻𝓮𝓭𝓲𝓬𝓽𝓲𝓿𝓮 𝓜𝓮𝓪𝓷 𝓜𝓪𝓽𝓬𝓱𝓲𝓷𝓰 (PMM) (à droite) pour la gestion des valeurs manquantes dans un ensemble de données non linéaires.

𝙐𝙣 𝙡𝙞𝙠𝙚 𝙚𝙩 𝙪𝙣 𝙋𝙖𝙧𝙩𝙖𝙜𝙚 de ce post avant d'aller plus loin nous fera plaisir.

𝕺𝖇𝖘𝖊𝖗𝖛𝖆𝖙𝖎𝖔𝖓𝖘 𝖈𝖑é𝖘 :

🔹 𝗟'𝗶𝗺𝗽𝘂𝘁𝗮𝘁𝗶𝗼𝗻 𝗽𝗮𝗿 𝗿é𝗴𝗿𝗲𝘀𝘀𝗶𝗼𝗻 𝗹𝗶𝗻é𝗮𝗶𝗿𝗲 repose sur un modèle linéaire pour prédire les valeurs manquantes. Comme le montre le panneau de gauche, les valeurs imputées (𝗽𝗼𝗶𝗻𝘁𝘀 𝗼𝗿𝗮𝗻𝗴𝗲) suivent le modèle de régression, mais ne parviennent pas à capturer les 𝗽𝗮𝘁𝘁𝗲𝗿𝗻𝘀 𝗻𝗼𝗻 𝗹𝗶𝗻é𝗮𝗶𝗿𝗲𝘀 présents dans les données observées (𝗽𝗼𝗶𝗻𝘁𝘀 𝘃𝗲𝗿𝘁𝘀)｡ Cette limitation peut fausser les relations entre variables et réduire la précision des données imputées.

🔹 𝗟𝗮 𝗺é𝘁𝗵𝗼𝗱𝗲 𝗣𝗿𝗲𝗱𝗶𝗰𝘁𝗶𝘃𝗲 𝗠𝗲𝗮𝗻 𝗠𝗮𝘁𝗰𝗵𝗶𝗻𝗴 (𝗣𝗠𝗠) corrige ce problème en sélectionnant les valeurs observées les plus proches des valeurs prédites. Le panneau de droite illustre comment 𝗣𝗠𝗠 𝗽𝗿é𝘀𝗲𝗿𝘃𝗲 𝗹𝗮 𝘃𝗮𝗿𝗶𝗮𝗯𝗶𝗹𝗶𝘁é 𝗻𝗮𝘁𝘂𝗿𝗲𝗹𝗹𝗲 𝗲𝘁 𝗹𝗲𝘀 𝗽𝗮𝘁𝘁𝗲𝗿𝗻𝘀 𝗻𝗼𝗻 𝗹𝗶𝗻é𝗮𝗶𝗿𝗲𝘀 des données, garantissant une meilleure intégration des valeurs imputées avec les valeurs observées.

 

n'hésitez surtout pas à nous contacter ou à prendre part à la prochaine session de notre formation en 𝙀𝙘𝙤𝙣𝙤𝙢é𝙩𝙧𝙞𝙚 𝙚𝙩 𝙏𝙚𝙘𝙝𝙣𝙞𝙦𝙪𝙚𝙨 𝙌𝙪𝙖𝙣𝙩𝙞𝙩𝙖𝙩𝙞𝙫𝙚𝙨

#bigdata #businessanalyst #statistiques #datastructure #rstudio