Introduction à R

Introduction à R, le couteau suisse de la data science

Joël Gombin et Samuel Goëta (datactivi.st)

Retrouvez les matériaux sur : www.github.com/datactivist/IntroR_ODF

Pad collaboratif : https://frama.link/formationR_pad4

Ce qu’on a déjà appris

• l’écosystème dans lequel s’inscrit R
• importer des données
• préparer des tidy data
• transformer les données
• fusionner des jeux de données
• pivoter un je de données
• agréger un jeu de données
• visualiser des données

Ce qu’on a déjà appris

Objectifs de la journée

• Appréhender la notion de modélisation
• La replacer dans un contexte plus large (machine learning ? Big data ?)
• Construire et analyser un modèle linéaire
• Construire et analyser un modèle logistique

Pourquoi modéliser ?

Pourquoi modéliser ?

• pour analyser et expliquer
• pour prédire

Modéliser pour analyser

• un modèle réduit de la réalité
• isoler le rôle de chaque variable
• raisonner “toutes choses égales par ailleurs”

Modéliser pour analyser

Modéliser, c’est mettre en relation une variable expliquée (dépendante / prédite) et une ou plusieurs variables explicatives (indépendantes / prédicteurs).

Y = f(X₁, X₂, X₃, …, X_n)

L’estimation du modèle consiste à estimer la valeur des paramètres (ou coefficients).

Y = α + β₁X₁ + β₂X₂ + β₃X₃ + · · · + β_nX_n + ε

Modéliser pour analyser

Exemple : on s’intéresse au vote FN à Marseille, par bureau de vote, lors des élections municipales de 2014, en fonction de la sociologie des bureaux de vote.

Vote FN = f(Composition socioprofessionnelle, population étrangère, taux de chômage, locataires HLM)

Modéliser pour analyser

Hypothèses :

• Classes populaires : positivement associées au vote FN
• Population étrangère : positivement associée au vote FN
• Taux de chômage : positivement associé au vote FN
• Locataires HLM : positivement associé au vote FN

Modéliser pour prédire

Attention !

• Les modèles de régression linéaire supposent que les relations sont linéaires et additives.
• Les résidus sont supposés être normalement distribués.
• Les coefficients ne sont pas standardisés (on ne peut les comparer entre eux).
• Les coefficients s’interprètent relativement à l’unité de la variable dépendante.

Attention !

• Les coefficients estiment l’effet d’une variable indépendante sur la variable dépendante toutes choses égales par ailleurs, c’est-à-dire en neutralisant l’effet des autres variables.

• La qualité globale du modèle peut être quantifié au travers du R² , qui représente la part de variance (de la variable dépendante) expliquée.

• Pour les variables indépendantes catégoriques, on estime un coefficient par modalité, à l’exception de la première (baseline).

La fonction lm

La fonction lm permet d’estimer des linear models. Elle nécessite simplement le modèle, sous forme d’une formule, et un dataframe.

modele1 <- lm(y ~ x1 + x2, data = data)

lm permet également d’estimer des modèles pondérés (argument weights) ou portant sur un sous-ensemble du jeu de données (argument subset).

modelr et broom

modelr => permet de manipler des modèles avec le pipe

• add_predictions (avec data_grid, gather_predictions et spread_predictions)
• add_residuals (avec gather_residuels et spread_residuals)

broom permet de gérer de nombreux modèles à la fois

Modèles logistiques

Machine learning et modélisation