Data Mining. Modèle d attrition Modeling Phase & Evaluation Phase. Modeling. IUT de Caen - Département STID Responsable : Alain LUCAS
|
|
- Catherine Tassé
- il y a 8 ans
- Total affichages :
Transcription
1 IUT de Caen - Département STID Responsable : Alain LUCAS Data Mining Modèle d attrition Modeling Phase & Evaluation Phase STID 2ème année Le travail de compréhension et d appropriation des données («Data Understanding Phase»), ainsi que le travail de préparation des données («Data Preparation Phase») ayant tous deux été menés, il reste à réaliser dans l ordre les phases «Modeling» et «Evaluation». La phase «Modeling» a pour objet dans le cas présent de construire un ou plusieurs modèles permettant d estimer la probabilité d un client de la banque de partir à la concurrence. Dans ce cadre, menant à une modélisation supervisée binaire, on fera usage du modèle de la régression logistique en considérant comme variable cible la variable de churn. Quant à la phase de «Validation», elle a pour objectif d évaluer la qualité du ou des modèles, et le cas échéant de déterminer le meilleur, autrement dit celui que l on va être amené à conserver en vue de détecter en amont les clients susceptibles de partir à la concurrence. Dans le cadre d une modélisation supervisée binaire, comme c est le cas ici, des outils numériques tels que «Error Rate», «Sensitivity» ou encore «Specificity», ainsi que des outils graphiques tels que «Lift Chart», «Gain Chart» ou encore «ROC Curves» sont couramment employés dans l évaluation de la qualité du ou des modèles en concurrence. Modeling 1. Lancer le logiciel SAS, puis créer une fenêtre EDITOR nommée Modeling - Evaluation. 2. Dans la fenêtre ainsi créée, écrire les lignes de commande suivantes : dm clear log ; dm clear output ; options linesize=120 nodate nonumber; 3. Créer à la suite du code la librairie DM via l instruction libname (adapter si besoin la lettre du disque!) : libname DM C :\Datamining ; 4. Vérifier que la table BDS est bien présente dans le répertoire Datamining. Afin de visualiser les caractéristiques de la table, écrire les lignes de code suivantes : title1 Modeling Phase ; proc contents data=dm.bds; title3 Caractéristiques du Business Data Set ; Compiler le programme, puis observer les caractéristiques du fichier : nombre de clients? nombre de variables explicatives? Présence de la variable cible? Le type de la variable Balance Bin est-il compatible avec la variable? Justifier votre réponse. 5. On décide de modifier le type de la variable Balance Bin afin de la rendre qualitative. Dans ce but, écrire le code suivant : data copy; set DM.BDS ; tmp=put(balance Bin,1.) ; drop Balance Bin; 1 data copy; set copy ; Balance Bin = tmp; drop tmp ; proc contents data=copy; title3 Contrôle changement de type ; Compiler le programme, puis vérifier le succès de l opération. 6. On décide de contrôler la distribution de la variable Cancel afin de vérifier que la table BDS est bien en accord avec les résultats obtenus dans la précédente phase. Dasnce but, écrire les lignes suivantes : proc freq data=copy; title3 Informations sur la variable Cancel ; table Cancel ; Compiler, puis vérifier le succès de l opération. 7. Dans le but de construire les modèles puis d en évaluer la qualité, on décide de séparer le «Business Data Set» en deux échantillons, nommés respectivement «Training Data Set» et «Validation Data Set», via un tirage aléatoire sans remise selon la répartition 70%-30%. L échantillon d apprentissage permet de construire les différents modèles tandis que l échantillon de validation permet, a posteriori, d évaluer la qualité des modèles et le cas échéant de choisir le meilleur. Ce travail étant réalisé, on souhaite contrôler le succès de l opération en s assurant au moins que la distribution de la variable cible est approximativement identique au sein des trois échantillons. Dans ce but, écrire le code suivant : data training validation; set DM.BDS ; if ranuni(123)<0.70 then output training ; else output validation; proc contents data=training ; title3 Training Data Set ; proc contents data=validation; title3 Validation Data Set ; proc freq data=training ; table cancel ; proc freq data=validation; table cancel ; Compiler ce programme, puis vérifier le succès de l opération. 8. Dans le cadre de la régression logistique, on a besoin de connaître les modalités des variables qualitatives et ce afin d en définir une par variable comme modalité référente. Dans ce but, écrire les lignes de commande suivantes : proc freq data=copy; title3 Informations sur les modalités des variables qualitatives ; table NrLeasing NrAccounts MaritalStatus Gender ActualValueSegment ComplaintsPct grp Funds Bin Loan Bin Balance Bin; Compiler, puis visualiser la sortie. 2
2 9. Ce travail préparatoire étant réalisé, il convient maintenant de passer à l étape de modélisation. Dans ce but, on décide de faire usage de la procédure LOGISTIC laquelle permet de construire un modèle logistique. Il existe trois méthodes de sélection automatique de variables, à savoir la méthode Forward, la méthode Backward, et la méthode Stepwise. Dans le cas présent, on décide de mettre en oeuvre la méthode Forward laquelle sélectionne une à une les variables pertinentes selon le test du Score sachant qu une variable sélectionnée ne peut être retirée du modèle. Ecrire les lignes de code suivantes : proc logistic data=training descending outmodel=work.model1 ; title3 Modèle 1 : Forward ; class NrLeasing (descending) NrAccounts MaritalStatus (descending) Gender (descending) ActualValueSegment (descending) Funds Bin Loan Bin Balance Bin (descending) / param=ref ; model Cancel = NrLeasing NrAccounts MaritalStatus Gender ActualValueSegment ComplaintsPct grp Funds Bin Loan Bin Balance Bin Balance Loan Funds CorrectedCustomerMonths / selection = forward slentry=0.1 details outroc=roc1 ; Compiler ce programme, puis visualiser la sortie. Fig. 3 - Table des odds-ratio 10. On décide maintenant d opérer la même stratégie mais selon la méthode Backward laquelle, contrairement à la méthode Forward, considère au départ l ensemble des variables explicatives dans le modèle, et les élimine une à une selon le test du Score. Ecrire les lignes de code suivantes : proc logistic data=training descending outmodel=work.model2 ; title3 Modèle 2 : Backward ; class NrLeasing (descending) NrAccounts MaritalStatus (descending) Gender (descending) ActualValueSegment (descending) Funds Bin Loan Bin ComplaintsPct grp Balance Bin / param=ref ; model Cancel = NrLeasing NrAccounts MaritalStatus Gender ActualValueSegment Funds Bin Loan Bin ComplaintsPct grp Balance Bin Balance Loan Funds CorrectedCustomerMonths / selection = backward slstay=0.05 details outroc=roc2 ; Compiler ce programme, puis visualiser la sortie. Fig. 1 - Extrait de la sortie de la procédure LOGISTIC Préciser la première variable sélectionnée par la méthode (cf. Step 1). En déduire une écriture du modèle. Indiquer finalement l ensemble des variables sélectionnées par la méthode (cf. Fig. 2). Fig. 4 - Analyse de l effet des variables, les autres étant présentes Enumérer les unes après les autres les variables qui sont éliminées du modèle. Obtient-on un modèle identique à celui construit via la méthode Forward? Fig. 2 - Table des variables sélectionnées En s aidant de la table Estimation des rapports de cotes, lesquels représentent les odds-ratio, interpréter l effet de chacune des variables sur la variable cible (cf. Fig. 3). 3 Fig. 5 - Liste des variables éliminées 4
3 11. Enfin, on décide de construire un troisième modèle via la méthode Stepwise laquelle est similaire à la méthode Forward sauf qu elle autorise l élimination d une variable préalablement entrée dans le modèle. Ecrire les les lignes de code suivantes : proc logistic data=training descending outmodel=work.model3 ; title3 Modèle 3 : Stepwise ; class NrLeasing (descending) NrAccounts MaritalStatus (descending) Gender (descending) ActualValueSegment (descending) Funds Bin Loan Bin ComplaintsPct grp Balance Bin / param=ref ; model Cancel = NrLeasing NrAccounts MaritalStatus Gender ActualValueSegment Funds Bin Loan Bin ComplaintsPct grp Balance Bin Balance Loan Funds CorrectedCustomerMonths / selection = stepwise slentry=0.1 slstay=0.05 details outroc=roc3 ; Compiler ce programme, puis visualiser la sortie. Enoncer les variables sélectionnées par ce modèle. Existe-t-il une différence entre ce modèle et les autres modèles? Evaluation 1. On se propose ici de construire une macro permettant de représenter le Lift Chart et le Gain Chart, graphiques permettant d évaluer la qualité des modèles, et le cas échéant de les comparer. Afin de réaliser ces graphiques, la stratégie va consister à appliquer chacun des modèles sur la table Validation. Il en résultera une table SAS contenant non seulement la valeur de la variable Cancel, mais également une variable nommée P 1 donnant la probabilité de Churn pour chacun des clients de la table Validation. La macro ci-dessous attend en entrée une table SAS contenant les variables Cancel et P 1 %macro Evaluation(data) ; set &data (rename = (P 1 = Probability Churn)) ; (permet de renommer la variable P 1) where Probability Churn NE. ; (permet d éliminer les clients dont la probabilité n a pu être estimée) keep Cancel Probability Churn; (permet de conserver uniquement la variable Cancel et la probabilité de Churn) proc sort data=work; by descending Probability Churn; (permet d ordonner les clients selon la probabilité de Churn - ordre décroissant) proc rank data=work descending out=work groups=10 ; var Probability Churn; (permet de découper la table en 10 groupes de même fréquence selon Probability Churn) ranks Deciles ; (permet de nommer la variable contenant le numéro du groupe d appartenance - de 0 à 9) set work ; Deciles=Deciles+1 ; (permet d augmenter d une unité la valeur de chacun des déciles - de 1 à 10) proc freq data=work noprint ; (permet de comptabiliser le nombre de clients par décile) table Deciles / out=tmp1 work (rename = (count = Deciles Gr) drop = percent) ; (permet de renommer la variable count et de supprimer la variable percent) data tmp1 work; set tmp1 work; Cum+Deciles Gr; (permet de créer la variable Cum cumulant le nombre de clients par décile) set work; Cum Churn+Cancel ; (permet de créer la variable Cum Churn cumulant la variable Cancel) 5 proc sort data=work; (permet d ordonner la table work selon la variable Deciles - ordre croissant par défaut) data tmp2 work; set work ; if Last.Deciles ; keep Deciles Cum Churn; (permet de calculer le nombre de Churn par décile) proc sort data= tmp1 work; (permet d ordonner la table tmp1 work selon la variable Deciles - ordre croissant par défaut) proc sort data=tmp2 work; (permet d ordonner la table tmp1 work selon la variable Deciles - ordre croissant par défaut) data Assess ; merge tmp1 work tmp2 work; (permet de fusionner les tables selon la variable Deciles en une table nommée Assess) keep Deciles Cum Churn Cum ; (permet de conserver les variables Deciles, Cum Churn et Cum) set work; tmp=input(cancel,8.) ; (permet de modifier le type de la variable Cancel en variable continue nommée tmp) drop Cancel ; set work; Cancel=tmp; drop tmp ; (permet de renommer la variable tmp en Cancel) proc means data=work noprint ; var Cancel ; output out = global (keep = global rate global sum) mean(cancel)=global rate sum(cancel)=global sum ; (permet de calculer le taux global et le nombre global de Churn) data Assess ; set Assess ; if ( n =1) then set global ; (permet de spécifier les statistiques de la table Global sur chacune des lignes de Assess) percent local rate=100*cum Churn/Cum; (permet de calculer le taux de Churn par décile) percent global rate=100*global rate ; (permet d exprimer le taux global de Churn en pourcentage sur chaque ligne) Lift=percent local rate/percent global rate ; (permet de calculer le Lift par décile) Gain=100*Cum Churn/global sum ; (permet de calculer le Gain par décile) Deciles=10*Deciles ; (permet d exprimer les déciles en pourcentage) drop global rate ; %mend; Compiler alors ce programme. 2. Il s agit maintenant d appliquer le premier modèle (celui obtenu selon la méthode Forward) à la table Validation afin d en obtenir une estimation de la probabilité de Churn pour chacun des clients contenus dans cette table. Ecrire la procédure LOGISTIC suivante : proc logistic inmodel=work.model1 ; score data=validation out=validation1 ; 6
4 Compiler ce programme, puis visualiser les 30 premières observations de la table Validation1. Observez-vous une colonne nommée P 1? Que représente-t-elle? Note : il est possible que l instruction score apparaisse en rouge. Néanmoins, SAS effectue correctement la compilation. 3. On souhaite faire usage de la macro Evaluation afin d en déduire le Lift et le Gain associés à ce modèle. Dans ce but, écrire le code suivant : %Evaluation(validation1) ; data Assess model1 ; set Assess ; proc print data=assess model1 noobs ; title3 Visualisation de la table Assess model1 ; Compiler ce programme, puis s assurer du succès de l opération. Fig. 6 - Contenu de la table Assess model1 4. On souhaite procéder exactement de la même manière avec le second modèle, i.e. celui obtenu selon la méthode Backward. Dans ce but, écrire les lignes de commande suivantes : proc logistic inmodel=work.model2 ; score data=validation out=validation2 ; %Evaluation(validation2) ; data Assess model2 ; set Assess ; proc print data=assess model2 noobs ; title3 Visualisation de la table Assess model2 ; Compiler, puis comparer les tables Assess model1 et Assess model2. Sont-elles identiques? 6. On veut maintenant procéder à la représentation graphique du Lift Chart. Dans ce but, écrire les lignes de code suivante : proc sort data=assess model1 ; proc sort data=assess model2 ; data Lift ; merge Assess model1 (keep = Deciles lift rename = (lift = lift1)) Assess model2 (keep = Deciles lift rename = (lift = lift2)) ; GOPTIONS reset=all devmap=winansi keymap=winansi cback=lightgrey border; axis1 label=(angle=0 Déciles ) order=(10 to 100 by 10) length=17cm; axis2 label=(angle=0 Lift ) order=(0.6 to 5 by 0.2) length=17cm ; symbol1 i=join v=circle c=red line=1 width=2 ; symbol2 i=join v=circle c=blue line=1 width=2 ; legend label=( LEGEND ) value=( Model1 Model2 ) ; proc gplot data=lift ; title Courbes du Lift ; plot lift1*deciles=1 lift2*deciles=2 / overlay haxis=axis1 vaxis=axis2 vref=1 legend=legend; quit ; Compiler ce programme, puis visualiser le graphique. Vérifier qu il est en accord avec celui de la Fig. 2. Interpréter alors le graphique. Fig. 8 - Courbes du Lift Fig. 7 - Contenu de la table Assess model2 5. Il est inutile de faire ce travail pour le troisième modèle. Pourquoi? 7 7. On souhaite maintenant représenter le Gain Chart. Dance but, écrire le code suivant : proc sort data=assess model1 ; proc sort data=assess model2 ; 8
5 data gain ; merge Assess model1 (keep = Deciles gain rename = (gain = gain1)) Assess model2 (keep = Deciles gain rename = (gain = gain2)) ; data tmp ; input Deciles gain1 gain2 ; cards ; ; data gain ; set tmp gain; proc print data=gain; title3 Comparaison du gain pour les trois modèles ; GOPTIONS reset=all devmap=winansi keymap=winansi cback=lightblue border; axis1 label=(angle=0 Déciles ) order=(0 to 100 by 10) length=17cm ; axis2 label=(angle=0 Gain ) order=(0 to 100 by 10) length=17cm; symbol1 i=join v=none c=red line=1 width=2 ; symbol2 i=join v=none c=blue line=1 width=2 ; symbol3 i=join v=none c=black line=2 width=1 ; legend label=( LEGEND ) value=( Model1 Model2 Random ) ; proc gplot data=gain; title Gain Chart ; plot gain1*deciles=1 gain2*deciles=2 Deciles*Deciles=3/ overlay haxis=axis1 vaxis=axis2 legend=legend; quit ; Compiler ce programme. Visualiser le graphique, puis vérifier qu il est identique à celui de la Fig. 3. Interpréter ce graphique. 8. On souhaite enfin représenter les ROC Curves. Dans ce but, visualiser le contenu des tables ROC1 et ROC2 : title1 ROC Curves ; proc print data=roc1 (obs=30) ; title3 Table ROC1 ; proc print data=roc2 (obs=30) ; title3 Table ROC2 ; Compiler, puis préciser ce que représentent les colonnes sensit et 1mspec. 9. Afin de représenter ces courbes, écrire le programme suivant : proc sort data=roc1 ; by 1mspec ; proc sort data=roc2 ; by 1mspec ; Fig ROC Curve (modèle 1) Fig. 9 - Courbes du Gain 9 GOPTIONS reset=all devmap=winansi keymap=winansi cback=white border; axis1 label=(angle=0 1-Specificity ) order=(0 to 1 by 0.1) length=17cm; axis2 label=(angle=0 Sensitivity ) order=(0 to 1 by 0.1) length=17cm; symbol1 i=join v=none c=red line=1 width=2 ; symbol2 i=join v=none c=black line=1 width=2 ; proc gplot data=roc1 ; title Courbe ROC modèle 1 ; plot sensit * 1mspec =1 sensit * sensit =2 / overlay haxis=axis1 vaxis=axis2 ; quit ; GOPTIONS reset=all devmap=winansi keymap=winansi cback=white border; axis1 label=(angle=0 1-Specificity ) order=(0 to 1 by 0.1) length=17cm; axis2 label=(angle=0 Sensitivity ) order=(0 to 1 by 0.1) length=17cm; symbol1 i=join v=none c=red line=1 width=2 ; 10
6 symbol2 i=join v=none c=black line=1 width=2 ; proc gplot data=roc2 ; title Courbe ROC modèle 2 ; plot sensit * 1mspec =1 sensit * sensit =2 / overlay haxis=axis1 vaxis=axis2 ; quit ; Compiler, puis vérifier que les deux courbes sont semblables à celle de la Fig Selon des considérations pratiques, on décide de choisir comme seuil d étude 20%. Cela signifie que l on s intéresse maintenant aux clients dont le score fait parti des 20% meilleurs scores, clients qui seront qualifiés de Churner. Selon cette stratégie, indiquer le modèle qui semble le plus pertinent. 11. On souhaite maintenant calculer un certain nombre d indicateurs sur la base du seuil de 20%. Dans ce but, écrire le code suivant : proc sort data=validation2 ; by descending P 1 ; proc univariate data=validation2 noprint ; var P 1 ; output out=tmp pctlpts=20 pctlpre=tmp ; data validation2 ; set validation2 ; if ( n eq 1) then set tmp; keep F Cancel P 1 tmp20 ; data confusion; set validation2 ; I Cancel = (P 1 > tmp20) ; Compiler ce programme, puis visualiser les 30 premières observations de la table confusion. Interpréter chacune des variables. 12. Les indicateurs que l on souhaite calculer s obtiennent à partir de la matrice de confusion suivante : Predicted Observed Churn No Churn Total Churn TP FN TP+FN No Churn FP TN FP+TN Total TP+FP FN+TN où l on a TP = True Positive = nombre de Churner bien classés, TN = True Negative = nombre de No Churner bien classés, FP = False Positive = nombre de clients classés Churner alors qu ils sont No Churner, FN = False Negative = nombre de clients classés No Churner alors qu ils sont Churner. A partir de la procédure FREQ suivante, compléter la matrice de confusion : proc freq data=confusion; table F Cancel*I Cancel/ nocum nocol nopercent norow ; 13. Compléter alors les indicateurs suivants : Error rate = Precision = Sensitivity = Specificity = FP + FN TP + TN + FP + FN = TP TP + FP = TP TP + FN = TN TN + FP = Commenter alors chacun de ces indicateurs. 11
Crédit Scoring. Master 2 SRO. Année scolaire 2009/2010. Professeur : RICHARD EMILION. Réalisé par : MAHAMAT OUMAR ALHABO et OULD EL HADDAD CHEIKH
Master 2 SRO Année scolaire 2009/2010 Crédit Scoring Professeur : RICHARD EMILION Réalisé par : MAHAMAT OUMAR ALHABO et OULD EL HADDAD CHEIKH Master_2_SRO_Data-Mining 1 Table des matières PARTIE 1 1. Résumé
Plus en détailINITIATION AU LOGICIEL SAS
INITIATION AU LOGICIEL SAS (version 9.1.3 sous Windows) Hélène HAMISULTANE Bibliographie : Initiation au logiciel SAS(9) pour Windows, Coqué N. (juin 2006). www.agroparistech.fr/img/pdf/polysas.pdf SAS
Plus en détailÉtude de cas Assurance (d après une étude de Philippe Périé, CISIA)
Étude de cas Assurance (d après une étude de Philippe Périé, CISIA) I.1.Les données L échantillon est constitué de 1106 assurés Belges observés en 1992 et répartis en 2 groupes. - les assurés qui n ont
Plus en détailFormation au logiciel SAS Statistical Analysis System
Formation au logiciel SAS Statistical Analysis System Odile Wolber (CNAM) Objectif du cours : acquérir les principes du langage de programmation SAS Etape DATA - import des données - saisie des données
Plus en détail1 Modélisation d être mauvais payeur
1 Modélisation d être mauvais payeur 1.1 Description Cet exercice est très largement inspiré d un document que M. Grégoire de Lassence de la société SAS m a transmis. Il est intitulé Guide de démarrage
Plus en détailSAS de base : gestion des données et procédures élémentaires
1 SAS de base : gestion des données et procédures élémentaires SAS de base : gestion des données et procédures élémentaires Résumé Description des commandes (module SAS de base) les plus utiles de l étape
Plus en détailL export de SAS vers Excel expliqué à ma fille
L export de SAS vers Excel expliqué à ma fille SAS est un logiciel merveilleux, mais tous n y ont pas accès. Pour contenter la soif de données de vos collègues qui n auraient pas d autre outil à disposition,
Plus en détailTable des matières PRESENTATION DU LANGAGE DS2 ET DE SES APPLICATIONS. Introduction
PRESENTATION DU LANGAGE DS2 ET DE SES APPLICATIONS Depuis SAS 9.2 TS2M3, SAS propose un nouveau langage de programmation permettant de créer et gérer des tables SAS : le DS2 («Data Step 2»). Ces nouveautés
Plus en détailLe Data Mining au service du Scoring ou notation statistique des emprunteurs!
France Le Data Mining au service du Scoring ou notation statistique des emprunteurs! Comme le rappelle la CNIL dans sa délibération n 88-083 du 5 Juillet 1988 portant adoption d une recommandation relative
Plus en détailProjet SINF2275 «Data mining and decision making» Projet classification et credit scoring
Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring Année académique 2006-2007 Professeurs : Marco Saerens Adresse : Université catholique de Louvain Information Systems
Plus en détailExemples d application
AgroParisTech Exemples d application du modèle linéaire E Lebarbier, S Robin Table des matières 1 Introduction 4 11 Avertissement 4 12 Notations 4 2 Régression linéaire simple 7 21 Présentation 7 211 Objectif
Plus en détaildistribution quelconque Signe 1 échantillon non Wilcoxon gaussienne distribution symétrique Student gaussienne position
Arbre de NESI distribution quelconque Signe 1 échantillon distribution symétrique non gaussienne Wilcoxon gaussienne Student position appariés 1 échantillon sur la différence avec référence=0 2 échantillons
Plus en détailIntroduction au logiciel SAS François-Xavier LEJEUNE
INSTITUT DE STATISTIQUE de l Université Pierre et Marie Curie Cycle Supérieur 1 ère année 2011-12 Introduction au logiciel SAS François-Xavier LEJEUNE Plan du cours Séance n 1 Débuts en SAS : Généralités
Plus en détailAnalyse statistique de données qualitatives et quantitatives en sciences sociales : TP RÉGRESSION LOGISTIQUE (MODÈLES CHAPITRE 1)
Analyse statistique de données qualitatives et quantitatives en sciences sociales : TP RÉGRESSION LOGISTIQUE (MODÈLES CHAPITRE 1) Modèles de régression logistique à réaliser Une explicative catégorielle
Plus en détail1 Imputation par la moyenne
Introduction au data mining L3 MIS - STA 1616-2010 V. Monbet Données manquantes L'objectif de ce TD est de manipuler et de comparer plusieurs méthodes d'imputation de données manquantes. La première partie
Plus en détailScénario: Score d appétence de la carte visa premier
Scénario: Score d appétence de la carte visa premier Résumé Cette aventure reprend rapidement l exploration des données bancaires avant d aborder systématiquement la construction de modèles de prévision
Plus en détailIntroduction aux outils BI de SQL Server 2014. Fouille de données avec SQL Server Analysis Services (SSAS)
MIT820: Entrepôts de données et intelligence artificielle Introduction aux outils BI de SQL Server 2014 Fouille de données avec SQL Server Analysis Services (SSAS) Description générale Ce tutoriel a pour
Plus en détailSpécificités, Applications et Outils
Spécificités, Applications et Outils Ricco Rakotomalala Université Lumière Lyon 2 Laboratoire ERIC Laboratoire ERIC 1 Ricco Rakotomalala ricco.rakotomalala@univ-lyon2.fr http://chirouble.univ-lyon2.fr/~ricco/data-mining
Plus en détailExemple PLS avec SAS
Exemple PLS avec SAS This example, from Umetrics (1995), demonstrates different ways to examine a PLS model. The data come from the field of drug discovery. New drugs are developed from chemicals that
Plus en détailInitiation au logiciel SAS(9) pour Windows
AgroParisTech Initiation au logiciel SAS(9) pour Windows N. Coqué UFR de Mathématiques, Département MMIP Table des matières Introduction 3 1 Présentation 3 1.1 Les tables SAS.....................................
Plus en détailValidation probabiliste d un Système de Prévision d Ensemble
Validation probabiliste d un Système de Prévision d Ensemble Guillem Candille, janvier 2006 Système de Prévision d Ensemble (EPS) (ECMWF Newsletter 90, 2001) Plan 1 Critères de validation probabiliste
Plus en détailWeb Mining. YOUSSOUF Kamal LACHAAL Rafik. [Tapez le résumé du document ici. Il s agit généralement d une courte synthèse du document.
Web Mining YOUSSOUF Kamal LACHAAL Rafik [Tapez le résumé du document ici. Il s agit généralement d une courte synthèse du document.] M1 - M A S S D é p a r t e m e n t d e Mat h é m a t i q u e s 2012-2
Plus en détailTP: Représentation des signaux binaires. 1 Simulation d un message binaire - Codage en ligne
Objectifs : Ce TP est relatif aux différentes méthodes de codage d une information binaire, et à la transmission en bande de base de cette information. Les grandes lignes de ce TP sont l étude des méthodes
Plus en détailAnalyse discriminante et régression logistique: application au cas de l innovation pour les entreprises du Canton du Tessin
Analyse discriminante et régression logistique: application au cas de l innovation pour les entreprises du Canton du Tessin Sandro Petrillo Université de Neuchâtel - Diplôme Postgrade en Statistique Projet
Plus en détailINF6304 Interfaces Intelligentes
INF6304 Interfaces Intelligentes filtres collaboratifs 1/42 INF6304 Interfaces Intelligentes Systèmes de recommandations, Approches filtres collaboratifs Michel C. Desmarais Génie informatique et génie
Plus en détailTP SAS initiation IUP MIAGE L3
TP SAS initiation IUP MIAGE L3 Année 2008-2009 Sources Cours SAS, IUT STID Grenoble, Eric PREUD'HOMME I.G.W.T. Juin 2001 «Maîtriser SAS Base et SAS Macro», DUNOD, Hélène Kontchou Kouomegni et Olivier Decourt
Plus en détailTP Bases de données réparties
page 1 TP Bases de données réparties requêtes réparties Version corrigée Auteur : Hubert Naacke, révision 5 mars 2003 Mots-clés: bases de données réparties, fragmentation, schéma de placement, lien, jointure
Plus en détailINTRODUCTION AU DATA MINING
INTRODUCTION AU DATA MINING 6 séances de 3 heures mai-juin 2006 EPF - 4 ème année - Option Ingénierie d Affaires et de Projets Bertrand LIAUDET TP DE DATA MINING Le TP et le projet consisteront à mettre
Plus en détailL'intelligence d'affaires: la statistique dans nos vies de consommateurs
L'intelligence d'affaires: la statistique dans nos vies de consommateurs Jean-François Plante, HEC Montréal Marc Fredette, HEC Montréal Congrès de l ACFAS, Université Laval, 6 mai 2013 Intelligence d affaires
Plus en détailARDUINO DOSSIER RESSOURCE POUR LA CLASSE
ARDUINO DOSSIER RESSOURCE POUR LA CLASSE Sommaire 1. Présentation 2. Exemple d apprentissage 3. Lexique de termes anglais 4. Reconnaître les composants 5. Rendre Arduino autonome 6. Les signaux d entrée
Plus en détailMaster Exploration Informatique des données Data Mining & Business Intelligence. Evelyne CHARIFOU Priscillia CASSANDRA
Master Exploration Informatique des données Data Mining & Business Intelligence Groupe 5 Piotr BENSALEM Ahmed BENSI Evelyne CHARIFOU Priscillia CASSANDRA Enseignant Françoise FOGELMAN Nicolas DULIAN SOMMAIRE
Plus en détailAmélioration de la fiabilité d inspection en CND grâce à la fusion d information : applications en rayons X et ultrasons
Amélioration de la fiabilité d inspection en CND grâce à la fusion d information : applications en rayons X et ultrasons Ahmad OSMAN 1a, Valérie KAFTANDJIAN b, Ulf HASSLER a a Fraunhofer Development Center
Plus en détailScénario: Données bancaires et segmentation de clientèle
Résumé Scénario: Données bancaires et segmentation de clientèle Exploration de données bancaires par des méthodes uni, bi et multidimensionnelles : ACP, AFCM k-means, CAH. 1 Présentation Le travail proposé
Plus en détailSAS ENTERPRISE MINER POUR L'ACTUAIRE
SAS ENTERPRISE MINER POUR L'ACTUAIRE Conférence de l Association des Actuaires I.A.R.D. 07 JUIN 2013 Sylvain Tremblay Spécialiste en formation statistique SAS Canada AGENDA Survol d Enterprise Miner de
Plus en détailUtilisation du Logiciel de statistique SPSS 8.0
Utilisation du Logiciel de statistique SPSS 8.0 1 Introduction Etude épidémiologique transversale en population générale dans 4 pays d Afrique pour comprendre les différences de prévalence du VIH. 2000
Plus en détailExploiter les statistiques d utilisation de SQL Server 2008 R2 Reporting Services
Exploiter les statistiques d utilisation de SQL Server 2008 R2 Reporting Services Nous verrons dans cet article comment exploiter simplement les données de Log de SQL Server 2008 R2 Reporting Services
Plus en détailMANIPULATION ET VISUALISATION DE GROSSES BASES DE DONNÉES AVEC R
MANIPULATION ET VISUALISATION DE GROSSES BASES DE DONNÉES AVEC R Jeudi 10 octobre 2013 CHAIGNEAU Alicia GAZAN Rozenn DAUFOUY Camille JOURDAN Sandra Introduction 2 Evolution des outils de collecte Big data
Plus en détailPaginer les données côté serveur, mettre en cache côté client
Paginer les données côté serveur, mettre en cache côté client Vous voulez sélectionner des lignes dans une table, mais celle-ci comporte trop de lignes pour qu il soit réaliste de les ramener en une seule
Plus en détailTransmission d informations sur le réseau électrique
Transmission d informations sur le réseau électrique Introduction Remarques Toutes les questions en italique devront être préparées par écrit avant la séance du TP. Les préparations seront ramassées en
Plus en détaildonnées en connaissance et en actions?
1 Partie 2 : Présentation de la plateforme SPSS Modeler : Comment transformer vos données en connaissance et en actions? SPSS Modeler : l atelier de data mining Large gamme de techniques d analyse (algorithmes)
Plus en détailODS : organiser et diffuser des sorties
1 ODS : organiser et diffuser des sorties Objectifs Depuis l éphémère version 7 de SAS, l ODS (Output Delivery System) permet de produire des sorties de tous formats : tables SAS, pages HTML, documents
Plus en détailExpression des contraintes. OCL : Object C o n t r a i n t L a n g u a g e
P r o b l é m a t i q u e OCL : O b j e c t C o n s t r a i n t L a n g u a g e Le langage de contraintes d UML Les différents diagrammes d UML permettent d exprimer certaines contraintes graphiquement
Plus en détailManipulation de données avec SAS Enterprise Guide et modélisation prédictive avec SAS Enterprise Miner
Le cas Orion Star Manipulation de données avec SAS Enterprise Guide et modélisation prédictive avec SAS Enterprise Miner Le cas Orion Star... 1 Manipulation de données avec SAS Enterprise Guide et modélisation
Plus en détailUn exemple de régression logistique sous
Fiche TD avec le logiciel : tdr341 Un exemple de régression logistique sous A.B. Dufour & A. Viallefont Etude de l apparition ou non d une maladie cardiaque des coronaires 1 Présentation des données Les
Plus en détailIntroduction à la présentation graphique avec xmgrace
Chapitre 6 Introduction à la présentation graphique avec xmgrace Contenu 6.1 Avant-propos....................... 71 6.2 Faire un simple graphe................. 72 6.3 Un graphe avec plusieurs courbes...........
Plus en détailLA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
Plus en détailChanger la source d'une requête dans SAS Enterprise Guide. Ce document explique comment changer la table source de la tâche Filtre et requêtes.
SAS, Cognos, Stata, Eviews, conseil, expertise, formation, mining, datamining, statistique, connaissance Changer la source d'une requête dans SAS Enterprise Guide client, valeur client, CRM, fidélisation,
Plus en détailBIRT (Business Intelligence and Reporting Tools)
BIRT (Business Intelligence and Reporting Tools) Introduction Cette publication a pour objectif de présenter l outil de reporting BIRT, dans le cadre de l unité de valeur «Data Warehouse et Outils Décisionnels»
Plus en détailGuide pour les chercheurs. Version 1.0
Guide pour les chercheurs Version 1.0 Septembre 2012 Table des matières 1. Introduction... 3 2. Les types de fonds... 3 3. Accès... 3 4. FAST MaRecherche... 4 4.1 Hyperlien pour accéder à FAST MaRecherche...
Plus en détailSurveillance de Scripts LUA et de réception d EVENT. avec LoriotPro Extended & Broadcast Edition
Surveillance de Scripts LUA et de réception d EVENT avec LoriotPro Extended & Broadcast Edition L objectif de ce document est de présenter une solution de surveillance de processus LUA au sein de la solution
Plus en détailRapidMiner. Data Mining. 1 Introduction. 2 Prise en main. Master Maths Finances 2010/2011. 1.1 Présentation. 1.2 Ressources
Master Maths Finances 2010/2011 Data Mining janvier 2011 RapidMiner 1 Introduction 1.1 Présentation RapidMiner est un logiciel open source et gratuit dédié au data mining. Il contient de nombreux outils
Plus en détailCours 7 : Utilisation de modules sous python
Cours 7 : Utilisation de modules sous python 2013/2014 Utilisation d un module Importer un module Exemple : le module random Importer un module Exemple : le module random Importer un module Un module est
Plus en détail2 Serveurs OLAP et introduction au Data Mining
2-1 2 Serveurs OLAP et introduction au Data Mining 2-2 Création et consultation des cubes en mode client-serveur Serveur OLAP Clients OLAP Clients OLAP 2-3 Intérêt Systèmes serveurs et clients Fonctionnalité
Plus en détailDeuxième Licence en Informatique Data Warehousing et Data Mining La Classification - 1
Deuxième Licence en Informatique Data Warehousing et Data Mining La Classification - 1 V. Fiolet Université de Mons-Hainaut 2006-2007 Nous allons aujourd hui nous intéresser à la tâche de classification
Plus en détail# let rec concat l1 l2 = match l1 with [] -> l2 x::l 1 -> x::(concat l 1 l2);; val concat : a list -> a list -> a list = <fun>
94 Programmation en OCaml 5.4.8. Concaténation de deux listes Définissons maintenant la fonction concat qui met bout à bout deux listes. Ainsi, si l1 et l2 sont deux listes quelconques, concat l1 l2 constitue
Plus en détail1. LA GESTION DES BASES DE DONNEES RELATIONNELLES
Dossier G11 - Interroger une base de données La base de données Facturation contient tout un ensemble d'informations concernant la facturation de la SAFPB (société anonyme de fabrication de produits de
Plus en détailCours iguess. inotes v10.1
Cours iguess inotes v10.1 Ce projet a été financé avec le soutien de la Commission européenne. Cette publication (communication) n engage que son auteur et la Commission n est pas responsable de l usage
Plus en détailTP : Gestion d une image au format PGM
TP : Gestion d une image au format PGM Objectif : L objectif du sujet est de créer une classe de manipulation d images au format PGM (Portable GreyMap), et de programmer des opérations relativement simples
Plus en détailECR_DESCRIPTION CHAR(80), ECR_MONTANT NUMBER(10,2) NOT NULL, ECR_SENS CHAR(1) NOT NULL) ;
RÈGLES A SUIVRE POUR OPTIMISER LES REQUÊTES SQL Le but de ce rapport est d énumérer quelques règles pratiques à appliquer dans l élaboration des requêtes. Il permettra de comprendre pourquoi certaines
Plus en détailTD d économétrie appliquée : Introduction à STATA
Ecole normale supérieure (ENS) Département d économie TD d économétrie appliquée : Introduction à STATA Marianne Tenand marianne.tenand@ens.fr OBJECTIFS DU TD Découvrir le logiciel d économétrie STATA,
Plus en détailIN 102 - Cours 1. 1 Informatique, calculateurs. 2 Un premier programme en C
IN 102 - Cours 1 Qu on le veuille ou non, les systèmes informatisés sont désormais omniprésents. Même si ne vous destinez pas à l informatique, vous avez de très grandes chances d y être confrontés en
Plus en détailAlgorithmique et programmation : les bases (VBA) Corrigé
PAD INPT ALGORITHMIQUE ET PROGRAMMATION 1 Cours VBA, Semaine 1 mai juin 2006 Corrigé Résumé Ce document décrit l écriture dans le langage VBA des éléments vus en algorithmique. Table des matières 1 Pourquoi
Plus en détailTravaux pratiques avec RapidMiner
Travaux pratiques avec RapidMiner Master Informatique de Paris 6 Spécialité IAD Parcours EDOW Module Algorithmes pour la Fouille de Données Janvier 2012 Prise en main Généralités RapidMiner est un logiciel
Plus en détail1 Objectifs. Traitement statistique des données d enquête avec introduction à SPSS. Plan
1 Objectifs Traitement statistique des données d enquête avec introduction à SPSS Gilbert Ritschard Département d économétrie, Université de Genève gilbert.ritschard@themes.unige.ch Bamako, 7-11 octobre
Plus en détailCOMPRENDRE LES DIFFERENTS TYPES DE CONNEXION LORS DE LA
COMPRENDRE LES DIFFERENTS TYPES DE CONNEXION LORS DE LA DEFINITION D UNE BIBLIOTHEQUE D ACCES A UNE BASE DE DONNEES Cet article s adresse aux administrateurs SAS en charge de la mise à disposition des
Plus en détailPartie I : Créer la base de données. Année universitaire 2008/2009 Master 1 SIIO Projet Introduction au Décisionnel, Oracle
Année universitaire 2008/2009 Master 1 SIIO Projet Introduction au Décisionnel, Oracle Ce projet comporte trois parties sur les thèmes suivants : création de base de donnée, requêtes SQL, mise en œuvre
Plus en détailOrdonnance sur le paiement à un enfant ou à une personne qui n est pas saine d esprit. Infant or Person of Unsound Mind Payment Order CODIFICATION
CANADA CONSOLIDATION CODIFICATION Infant or Person of Unsound Mind Payment Order Ordonnance sur le paiement à un enfant ou à une personne qui n est pas saine d esprit C.R.C., c. 1600 C.R.C., ch. 1600 Current
Plus en détailAnnexe commune aux séries ES, L et S : boîtes et quantiles
Annexe commune aux séries ES, L et S : boîtes et quantiles Quantiles En statistique, pour toute série numérique de données à valeurs dans un intervalle I, on définit la fonction quantile Q, de [,1] dans
Plus en détailProgrammation Web. Madalina Croitoru IUT Montpellier
Programmation Web Madalina Croitoru IUT Montpellier Organisation du cours 4 semaines 4 ½ h / semaine: 2heures cours 3 ½ heures TP Notation: continue interrogation cours + rendu à la fin de chaque séance
Plus en détailModule Administration BD Chapitre 1 : Surcouche procédurale dans les SGBDS
Module Administration BD Chapitre 1 : Surcouche procédurale dans les SGBDS 1. Introduction Nous allons aborder la notion de surcouche procédurale au sein des SGBDS relationnels tels que Oracle (PLSQL)
Plus en détailTable des matières L INTEGRATION DE SAS AVEC JMP. Les échanges de données entre SAS et JMP, en mode déconnecté. Dans JMP
L INTEGRATION DE SAS AVEC JMP Quelles sont les techniques possibles pour intégrer SAS avec JMP? Comment échanger des données entre SAS et JMP? Comment connecter JMP à SAS? Quels sont les apports d une
Plus en détailGnuplot. Chapitre 3. 3.1 Lancer Gnuplot. 3.2 Options des graphes
Chapitre 3 Gnuplot Le langage C ne permet pas directement de dessiner des courbes et de tracer des plots. Il faut pour cela stocker résultats dans des fichier, et, dans un deuxième temps utiliser un autre
Plus en détailLES MODELES DE SCORE
LES MODELES DE SCORE Stéphane TUFFERY CONFERENCE GENDER DIRECTIVE 31 mai 2012 31/05/2012 ActuariaCnam Conférence Gender Directive Stéphane Tufféry 1 Plan Le scoring et ses applications L élaboration d
Plus en détailTP JAVASCRIPT OMI4 TP5 SRC1 2011-2012
TP JAVASCRIPT OMI4 TP5 SRC1 2011-2012 FORMULAIRE DE CONTACT POUR PORTFOLIO PRINCIPE GENERAL Nous souhaitons réaliser un formulaire de contact comprenant les champs suivants : NOM PRENOM ADRESSE MAIL MESSAGE
Plus en détailIntroduction à R. Florence Yerly. Dept. de mathématiques, Université de Fribourg (CH) SP 2011
Dept. de mathématiques, Université de Fribourg (CH) SP 2011 Qu est ce que R? Un logiciel de statistiques libre et gratuit ; Un logiciel multi-plateforme (UNIX, Windows MacOS X) R permet de faire des calculs
Plus en détailSéance 11 : Typologies
Séance 11 : Typologies Sommaire Proc CLUSTER : Typologie hiérarchique... 3 Proc FASTCLUS : Typologie nodale... 8 Proc MODECLUS : Typologie non paramétrique... 11 - Les phénomènes observés (attitudes, comportements,
Plus en détailSTS SE. FreeRTOS. Programmation réseau WIFI. Programmation réseau. Socket Tcp. FlyPort smart Wi-Fi 802.11 module
François SCHNEIDER Lycée Victor-Hugo BESANÇON. STS SE FreeRTOS Programmation réseau WIFI Programmation réseau Socket Tcp FlyPort smart Wi-Fi 802.11 module Prérequis : langage C, connaissance réseau : Ip,
Plus en détailESSEC. Cours «Management bancaire» Séance 3 Le risque de crédit Le scoring
ESSEC Cours «Management bancaire» Séance 3 Le risque de crédit Le scoring Les méthodes d évaluation du risque de crédit pour les PME et les ménages Caractéristiques Comme les montants des crédits et des
Plus en détailCOMMANDES SQL... 2 COMMANDES DE DEFINITION DE DONNEES... 2
SQL Sommaire : COMMANDES SQL... 2 COMMANDES DE DEFINITION DE DONNEES... 2 COMMANDES DE MANIPULATION DE DONNEES... 2 COMMANDES DE CONTROLE TRANSACTIONNEL... 2 COMMANDES DE REQUETE DE DONNEES... 2 COMMANDES
Plus en détailI. Programmation I. 1 Ecrire un programme en Scilab traduisant l organigramme montré ci-après (on pourra utiliser les annexes):
Master Chimie Fondamentale et Appliquée : spécialité «Ingénierie Chimique» Examen «Programmation, Simulation des procédés» avril 2008a Nom : Prénom : groupe TD : I. Programmation I. 1 Ecrire un programme
Plus en détailLangage SQL (1) 4 septembre 2007. IUT Orléans. Introduction Le langage SQL : données Le langage SQL : requêtes
Langage SQL (1) Sébastien Limet Denys Duchier IUT Orléans 4 septembre 2007 Notions de base qu est-ce qu une base de données? SGBD différents type de bases de données quelques systèmes existants Définition
Plus en détailEmonCMS sur EWATTCH Cloud
EmonCMS sur EWATTCH Cloud Mise en oeuvre du tableau de bord opensource EmonCMS sur le serveur EwattchCloud Version du document : 1.0 La gestion d énergie nouvelle génération 1 - PRESENTATION EmonCMS 1
Plus en détailPlan 1/9/2013. Génération et exploitation de données. CEP et applications. Flux de données et notifications. Traitement des flux Implémentation
Complex Event Processing Traitement de flux de données en temps réel Romain Colle R&D Project Manager Quartet FS Plan Génération et exploitation de données CEP et applications Flux de données et notifications
Plus en détailIntroduction à MATLAB R
Introduction à MATLAB R Romain Tavenard 10 septembre 2009 MATLAB R est un environnement de calcul numérique propriétaire orienté vers le calcul matriciel. Il se compose d un langage de programmation, d
Plus en détailAWS avancé. Surveiller votre utilisation d EC2
10 AWS avancé Dans ce chapitre, nous bâtirons sur les bases que nous avons apprises jusqu ici. Nous étudierons des sujets plus avancés tels que la surveillance de votre utilisation d AWS, l utilisation
Plus en détailCours 1 : Introduction Ordinateurs - Langages de haut niveau - Application
Université de Provence Licence Math-Info Première Année V. Phan Luong Algorithmique et Programmation en Python Cours 1 : Introduction Ordinateurs - Langages de haut niveau - Application 1 Ordinateur Un
Plus en détailCALCUL D UN SCORE ( SCORING) Application de techniques de discrimination LES OBJECTIFS DU SCORING
CALCUL D UN SCORE ( SCORING) Application de techniques de discrimination LES OBJECTIFS DU SCORING SÉLECTION DES RISQUES PRÉVISION DES DÉFAUTS SUIVI ET CONTRÔLE Pierre-Louis GONZALEZ Différents types de
Plus en détailRecherche dans un tableau
Chapitre 3 Recherche dans un tableau 3.1 Introduction 3.1.1 Tranche On appelle tranche de tableau, la donnée d'un tableau t et de deux indices a et b. On note cette tranche t.(a..b). Exemple 3.1 : 3 6
Plus en détailDéroulement d un projet en DATA MINING, préparation et analyse des données. Walid AYADI
1 Déroulement d un projet en DATA MINING, préparation et analyse des données Walid AYADI 2 Les étapes d un projet Choix du sujet - Définition des objectifs Inventaire des données existantes Collecte, nettoyage
Plus en détailElectricité : caractéristiques et point de fonctionnement d un circuit
Electricité : caractéristiques et point de fonctionnement d un circuit ENONCE : Une lampe à incandescence de 6 V 0,1 A est branchée aux bornes d une pile de force électromotrice E = 6 V et de résistance
Plus en détailManuel de l Administrateur
Manuel de l Administrateur Monitor 1 2 Table des matières 1. Objectif... 5 2. Fonctionnement... 5 2.1. Schéma de fonctionnement... 6 2.2. Les indicateurs... 6 2.3. Le serveur de supervision... 7 2.4. L
Plus en détail1 Introduction et installation
TP d introduction aux bases de données 1 TP d introduction aux bases de données Le but de ce TP est d apprendre à manipuler des bases de données. Dans le cadre du programme d informatique pour tous, on
Plus en détailINTRODUCTION A JAVA. Fichier en langage machine Exécutable
INTRODUCTION A JAVA JAVA est un langage orienté-objet pur. Il ressemble beaucoup à C++ au niveau de la syntaxe. En revanche, ces deux langages sont très différents dans leur structure (organisation du
Plus en détailLire ; Compter ; Tester... avec R
Lire ; Compter ; Tester... avec R Préparation des données / Analyse univariée / Analyse bivariée Christophe Genolini 2 Table des matières 1 Rappels théoriques 5 1.1 Vocabulaire....................................
Plus en détailREPORTING MÉTIERS SAS APPLICATIONS AVEC. Mettre en forme et diffuser vos résultats avec SAS 9 et SAS 9 BI. Olivier Decourt. Préface de Philippe Letren
MÉTIERS APPLICATIONS REPORTING AVEC SAS Mettre en forme et diffuser vos résultats avec SAS 9 et SAS 9 BI Olivier Decourt Préface de Philippe Letren REPORTING AVEC SAS Mettre en forme et diffuser vos résultats
Plus en détailAllo Support et services électroniques
Support Clients ALLO SUPPORT N 9 Allo Support et services électroniques Déjà 4 ans! Dans le premier numéro d Allo Support je vous annonçais que la diffusion par notre site Internet et par messagerie électronique
Plus en détail1. Structure d'un programme FORTRAN 95
FORTRAN se caractérise par la nécessité de compiler les scripts, c'est à dire transformer du texte en binaire.(transforme un fichier de texte en.f95 en un executable (non lisible par un éditeur) en.exe.)
Plus en détailEtude des propriétés empiriques du lasso par simulations
Etude des propriétés empiriques du lasso par simulations L objectif de ce TP est d étudier les propriétés empiriques du LASSO et de ses variantes à partir de données simulées. Un deuxième objectif est
Plus en détail