𝑨𝒏𝒂𝒍𝒚𝒔𝒆 𝑬𝒙𝒑𝒍𝒐𝒓𝒂𝒕𝒐𝒊𝒓𝒆 𝒅𝒆𝒔 𝑫𝒐𝒏𝒏𝒆́𝒆𝒔 : 𝒍𝒂 𝒃𝒂𝒔𝒆 𝒅’𝒖𝒏𝒆 𝒃𝒐𝒏𝒏𝒆 𝒂𝒏𝒂𝒍𝒚𝒔𝒆

Avant de construire un modèle statistique, économétrique ou de machine learning, il y a une étape que l’on ne devrait jamais négliger : 𝒍’𝒂𝒏𝒂𝒍𝒚𝒔𝒆 𝒆𝒙𝒑𝒍𝒐𝒓𝒂𝒕𝒐𝒊𝒓𝒆 𝒅𝒆𝒔 𝒅𝒐𝒏𝒏𝒆́𝒆𝒔, aussi appelée 𝑬𝑫𝑨.

L’EDA permet de 𝒄𝒐𝒎𝒑𝒓𝒆𝒏𝒅𝒓𝒆, 𝒏𝒆𝒕𝒕𝒐𝒚𝒆𝒓, 𝒗𝒊𝒔𝒖𝒂𝒍𝒊𝒔𝒆𝒓 et 𝒊𝒏𝒕𝒆𝒓𝒑𝒓𝒆́𝒕𝒆𝒓 les données avant toute modélisation.

Voici ce qu’elle aide à faire concrètement :

𝑹𝒆́𝒔𝒖𝒎𝒆𝒓 𝒍𝒆𝒔 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔

Avec les statistiques descriptives comme la moyenne, l’écart-type, l’asymétrie ou encore l’aplatissement.

𝑫𝒆́𝒕𝒆𝒄𝒕𝒆𝒓 𝒍𝒆𝒔 𝒗𝒂𝒍𝒆𝒖𝒓𝒔 𝒂𝒃𝒆𝒓𝒓𝒂𝒏𝒕𝒆𝒔

Les histogrammes, boxplots et courbes de densité permettent de repérer les anomalies dans les données.

𝑪𝒐𝒎𝒑𝒓𝒆𝒏𝒅𝒓𝒆 𝒍𝒂 𝒅𝒊𝒔𝒕𝒓𝒊𝒃𝒖𝒕𝒊𝒐𝒏

On observe si une variable suit une distribution symétrique, asymétrique, dispersée ou concentrée.

𝑮𝒆́𝒓𝒆𝒓 𝒍𝒆 𝒏𝒆𝒕𝒕𝒐𝒚𝒂𝒈𝒆 𝒅𝒆𝒔 𝒅𝒐𝒏𝒏𝒆́𝒆𝒔

Valeurs manquantes, doublons, types de variables, encodage… tout cela influence la qualité de l’analyse.

𝑬𝒙𝒂𝒎𝒊𝒏𝒆𝒓 𝒍𝒆𝒔 𝒓𝒆𝒍𝒂𝒕𝒊𝒐𝒏𝒔 𝒆𝒏𝒕𝒓𝒆 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔

Les nuages de points, matrices de corrélation et analyses bi- ou multivariées aident à mieux comprendre les liens entre variables.

𝑷𝒓𝒆́𝒑𝒂𝒓𝒆𝒓 𝒍𝒂 𝒔𝒖𝒊𝒕𝒆 𝒅𝒆 𝒍’𝒂𝒏𝒂𝒍𝒚𝒔𝒆

L’EDA oriente les choix méthodologiques : tests statistiques, modélisation, création de variables, vérification des hypothèses.

𝑬𝒏 𝒓𝒆́𝒂𝒍𝒊𝒕𝒆́, 𝒖𝒏𝒆 𝒃𝒐𝒏𝒏𝒆 𝒎𝒐𝒅𝒆́𝒍𝒊𝒔𝒂𝒕𝒊𝒐𝒏 𝒄𝒐𝒎𝒎𝒆𝒏𝒄𝒆 𝒕𝒐𝒖𝒋𝒐𝒖𝒓𝒔 𝒑𝒂𝒓 𝒖𝒏𝒆 𝒃𝒐𝒏𝒏𝒆 𝒆𝒙𝒑𝒍𝒐𝒓𝒂𝒕𝒊𝒐𝒏 𝒅𝒆𝒔 𝒅𝒐𝒏𝒏𝒆́𝒆𝒔.

Beaucoup veulent aller vite vers les modèles sophistiqués.

Mais sans une exploration rigoureuse, même le meilleur modèle peut conduire à de mauvaises conclusions.

𝑨̀ 𝒓𝒆𝒕𝒆𝒏𝒊𝒓 :

𝑳’𝑬𝑫𝑨 𝒏’𝒆𝒔𝒕 𝒑𝒂𝒔 𝒖𝒏𝒆 𝒆́𝒕𝒂𝒑𝒆 𝒔𝒆𝒄𝒐𝒏𝒅𝒂𝒊𝒓𝒆.

𝑪’𝒆𝒔𝒕 𝒍𝒆 𝒗𝒓𝒂𝒊 𝒑𝒐𝒊𝒏𝒕 𝒅𝒆 𝒅𝒆́𝒑𝒂𝒓𝒕 𝒅’𝒖𝒏𝒆 𝒂𝒏𝒂𝒍𝒚𝒔𝒆 𝒇𝒊𝒂𝒃𝒍𝒆 𝒆𝒕 𝒑𝒆𝒓𝒕𝒊𝒏𝒆𝒏𝒕𝒆.

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

#Statistiques

#DataAnalysis

#DataScience

#EDA

#AnalyseDeDonnées