- Comprendre le problème, les données
- Reconnaitre les variables
- Faire le lien avec le fichier .cvs
- Liste des librairies Python nécessaires
- Exploration de l’EDA
- Analyse avec Count Plot
- Méthode RobustScaler
- Swarm Plot
- Box Plot
- Heat map
- Préparation pour le Modèle
- Éliminer les colonnes de basse corrélation
- Traiter les valeurs abhérantes (outliers)
- Opérations de transformation
- Modelling
- Logistic Regression Algorithm
- Cross Validation
- Roc Curve
- Hyperparametric Optimisation
- Decision Tree Algorithm
- Support Vector Machine Algorithm
- Random Forest Algorithm
- Hyperparameter Optimization
- Conclusion
| Markdown Guide | |
| # Header 1 ## Header 2 ### Header 3 #### Header 4 ##### Header 5 ###### Header 6 | h1>Header 1</h1> <h2>Header 2</h2> <h3>Header 3</h3> <h4>Header 4</h4> <h5>Header 5</h5> <h6>Header 6</h6> |
| **This is bold text** __This is bold text__ | <strong>This is bold text</strong> |
| *This is italic text* _This is italic text_ | <em>This is italic text</em> |
| ***Bold and Italic*** ___Bold and Italic___ | <strong><em> Bold and Italic </em></strong> |
| Hello World! We are learning Markdown. | <p>Hello World!</p><p>We are learning Markdown.</p> |
| – – – _ _ _ *** | <hr> |
| ANCHOR LINKS <a id= »id »></a> [Section title](#id) |
- Voici un liste des étapes du modèle de prédiction réalisée par le concepteur Umar Zafar il y a 6 mois, un DataSet fait à partir de ChatGPT:
- Import Libraries
- Data Exploration: head, describe, info, isnull
- Exploratory Data Analysis (EDA): columns, figure, plot
- Correlation between Variables using HeatMap
- FEATURE ENGINEERING
- MODEL BUILDING
- Feature Scaling: sklearn, logistic regression, prediction, accuracy
- K-4 Cross Validation on Random Forest Algorithms
- Hyperparameter Tuning of Random Forest Model: grid search best time
Pour faire une bonne analyse, vérifier:
- Les valeurs maximums, minimums, comparatif moyenne/écart-type si distribution normale
- Valeurs « Outliers », aberrantes les valeurs qui s’éloignent des tendences du groupe
- Dans quel intervalle se situent les variables indépendantes X?
(* Ce qu’on expérimente dans cette section est la visualisation avec toute une gamme d’outils de tendances pour se créer un modèle idéal en recherchant des corrélations entre les variables, des façons de représenter les données pour déduire un lien: la corrélation, LE modèle! *)
(* Swarm = Essaim *)
PROCESS MODELING
HYPERPARAMETRIC OPTIMISATION
Domaines d'études 