Scribd
Importer
134 vues2 pages

22222222222

Le document présente deux jeux de données à analyser avec la régression logistique multiple. Le premier concerne des entreprises en faillite ou en bonne santé financière, le second concerne la qualité du raisin en fonction de variables météorologiques. Le document décrit les étapes à suivre pour appliquer la régression logistique aux deux jeux de données.

Transféré par

cyrine khbou
Copyright
© © All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats DOC, PDF, TXT ou lisez en ligne sur Scribd
134 vues2 pages

22222222222

Le document présente deux jeux de données à analyser avec la régression logistique multiple. Le premier concerne des entreprises en faillite ou en bonne santé financière, le second concerne la qualité du raisin en fonction de variables météorologiques. Le document décrit les étapes à suivre pour appliquer la régression logistique aux deux jeux de données.

Transféré par

cyrine khbou
Copyright
© © All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats DOC, PDF, TXT ou lisez en ligne sur Scribd

2019/2020 Data Mining TP n°3 ENIT

Enseignant : Walid Ayadi Génie Industriel

Les données :

1. Le fichier Faillite_entrep.txt est composé de variables caractérisant des entreprises qui ont
fait faillite et d’autre en bonne santé financière. Les variables des entreprises sont :
FD : flux de trésorerie / dette totale, RA : résultat net / actif,
AD : actif à court terme / dette à court terme, AV : actif à court terme / ventes,
ET : F si faillite et NF sinon. Variable cible : ET

2. On propose d’étudier la qualité du raisin en fonction de variables observées sur 34 années.


Les variables du fichier Cultures_raisin.txt sont TEMPERATURE : Somme des températures
moyennes journalières, SOLEIL : Durée d’insolation, CHALEUR : Nombre de jours de
grande chaleur, PLUIE : Hauteur des pluies, QUALITE DU RAISIN : Bon, Mauvais.
Variable cible : QUALITE DU RAISIN

Modélisation des variables cibles des deux fichiers de données via la régression logistique
multiple :

Fichier Faillite_entrep.txt

1. Lire les données


don=[Link](‘…..’) ;

2. Utiliser la commande glm(…,family = binomial,…) afin de modéliser la variable cible en


fonction des autres variables disponibles.
[Link]= glm(…,family = binomial,…)

3. Générer les probabilités de prédiction via la commande


[Link]=predict(…., newdata=….., type=…..)

4. Transformer les probabilités trouvées en variable binaire avec la commande


[Link]<- factor(ifelse(….., “……”, “……”))

5. Utiliser la commande table() afin de générer le tableau de confusion et calculer le taux de


bon classement total et les taux de bon classement de chaque classe.
………………………..

6. Evaluer la qualité du modèle et la pertinence des variables explicatives en se basant sur les
résultats obtenus.
…………………….

Travaux pratiques Data Mining Walid Ayadi


Fichier Cultures_raisin.txt

1. Lire les données


don=[Link](‘…..’) ;

2. Utiliser la commande glm(…,family = binomial,…) afin de modéliser la variable cible en


fonction des autres variables disponibles.
[Link]= glm(…,family = binomial,…)

3. Générer les probabilités de prédiction via la commande


[Link]= predict(…., newdata=….., type=…..)

4. Transformer les probabilités trouvées en variable binaire avec la commande


[Link]<- factor(ifelse(….., “……”, “……”))

5. Utiliser la commande table() afin de générer le tableau de confusion et calculer le taux de


bon classement total et les taux de bon classement de chaque classe.
………………………..

6. Evaluer la qualité du modèle et la pertinence des variables explicatives en se basant sur les
résultats obtenus.
…………………….

Travaux pratiques Data Mining Walid Ayadi

Vous aimerez peut-être aussi