𝑬𝒙𝒑𝒍𝒐𝒓𝒂𝒕𝒐𝒓𝒚 𝑫𝒂𝒕𝒂 𝑨𝒏𝒂𝒍𝒚𝒔𝒊𝒔 : 𝒍’𝒆́𝒕𝒂𝒑𝒆 𝒂̀ 𝒏𝒆 𝒋𝒂𝒎𝒂𝒊𝒔 𝒔𝒂𝒖𝒕𝒆𝒓 𝒂𝒗𝒂𝒏𝒕 𝒅𝒆 𝒎𝒐𝒅𝒆́𝒍𝒊𝒔𝒆𝒓

Avant de lancer une régression, un algorithme de Machine Learning ou un modèle économétrique, il faut d’abord comprendre les données.

C’est exactement le rôle de l’𝑬𝒙𝒑𝒍𝒐𝒓𝒂𝒕𝒐𝒓𝒚 𝑫𝒂𝒕𝒂 𝑨𝒏𝒂𝒍𝒚𝒔𝒊𝒔, souvent appelée 𝑬𝑫𝑨.

L’EDA permet de répondre à des questions essentielles :

𝑸𝒖𝒆𝒍𝒍𝒆 𝒆𝒔𝒕 𝒍𝒂 𝒔𝒕𝒓𝒖𝒄𝒕𝒖𝒓𝒆 𝒅𝒆𝒔 𝒅𝒐𝒏𝒏𝒆́𝒆𝒔 ?

Nombre d’observations, nombre de variables, types de données, format des colonnes.

𝒀 𝒂-𝒕-𝒊𝒍 𝒅𝒆𝒔 𝒗𝒂𝒍𝒆𝒖𝒓𝒔 𝒎𝒂𝒏𝒒𝒖𝒂𝒏𝒕𝒆𝒔 ?

Les données absentes peuvent fausser les résultats si elles ne sont pas identifiées et traitées correctement.

𝑸𝒖𝒆 𝒅𝒊𝒔𝒆𝒏𝒕 𝒍𝒆𝒔 𝒔𝒕𝒂𝒕𝒊𝒔𝒕𝒊𝒒𝒖𝒆𝒔 𝒅𝒆𝒔𝒄𝒓𝒊𝒑𝒕𝒊𝒗𝒆𝒔 ?

La moyenne, la médiane, l’écart-type, le minimum et le maximum donnent une première lecture du comportement des variables.

𝑸𝒖𝒆𝒍𝒍𝒆 𝒆𝒔𝒕 𝒍𝒂 𝒅𝒊𝒔𝒕𝒓𝒊𝒃𝒖𝒕𝒊𝒐𝒏 𝒅𝒆𝒔 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 ?

Les histogrammes et les boxplots permettent de visualiser la dispersion, l’asymétrie et les valeurs extrêmes.

𝑳𝒆𝒔 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝒔𝒐𝒏𝒕-𝒆𝒍𝒍𝒆𝒔 𝒍𝒊𝒆́𝒆𝒔 𝒆𝒏𝒕𝒓𝒆 𝒆𝒍𝒍𝒆𝒔 ?

Les nuages de points, les tableaux croisés et les matrices de corrélation aident à repérer les relations importantes.

𝒀 𝒂-𝒕-𝒊𝒍 𝒅𝒆𝒔 𝒂𝒏𝒐𝒎𝒂𝒍𝒊𝒆𝒔 ?

Les valeurs aberrantes peuvent révéler des erreurs, mais aussi des informations très importantes.

En réalité, l’𝑬𝑫𝑨 n’est pas une simple étape technique.

C’est une phase de découverte, de diagnostic et de réflexion.

Un bon analyste ne modélise pas immédiatement.

Il observe, il vérifie, il compare, il visualise et il questionne les données.

𝑨̀ 𝒓𝒆𝒕𝒆𝒏𝒊𝒓 :

Une bonne modélisation commence toujours par une bonne exploration des données.

Sans EDA, on risque de construire un modèle élégant… sur des données mal comprises.

Inscrivez-vous dès maintenant pour réserver votre place pour la prochaine session de notre formation en É𝗰𝗼𝗻𝗼𝗺é𝘁𝗿𝗶𝗲 𝗲𝘁 𝗧𝗲𝗰𝗵𝗻𝗶𝗾𝘂𝗲𝘀 https://forms.gle/yZAZimRXbTFbUWZk6

#DataAnalysis

#Statistiques

#ExploratoryDataAnalysis

#DataScience

#Econometrie