Newer
Older
{
"cells": [
{
"cell_type": "markdown",
"id": "411ba7b3-7d56-45fe-b01e-205275e1988a",
"metadata": {},
"source": [
"# Des biais et des erreurs communes"
]
},
{
"cell_type": "markdown",
"id": "4e2fcf4b-d8aa-4bb2-8eab-dfe9a3210604",
"metadata": {},
"source": [
"Les exercices suivants sont destinés à vous familiariser avec les concepts appréhendés lors de l’introduction au *machine learning*. Avant toute chose, importez les librairies utiles :"
]
},
{
"cell_type": "code",
"execution_count": null,
"id": "4bbfb43b-1feb-4366-b1e7-5536f0f5aacd",
"metadata": {},
"outputs": [],
"source": [
"import matplotlib.pyplot as plt\n",
"import pandas as pd\n",
"import seaborn as sns\n",
"\n",
"sns.set_context('notebook')"
]
},
{
"cell_type": "markdown",
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
"id": "220410a9-d71d-4d16-b724-1f31539ed987",
"metadata": {},
"source": [
"## Une étude de genre"
]
},
{
"cell_type": "markdown",
"id": "cfc33885-ca65-4f89-8eac-04d519b8c6ab",
"metadata": {},
"source": [
"L’enquête [*Self-Reports of Height and Weight*](../0.about-datasets.ipynb#Self-Reports-of-Height-and-Weight) (Davis, 1990) compare une auto-évaluation de leurs tailles et poids d’individus engagés dans un programme d’exercices avec les mesures réalisées par l’équipe encadrante.\n",
"\n",
"Imaginons un objectif où, en fonction des valeurs renseignées, on souhaiterait déduire l’étiquette *H* ou *F* qui leur est associée. Chargeons dans un premier temps les données et affichons un résumé :"
]
},
{
"cell_type": "code",
"execution_count": null,
"id": "2f7609ab-f6d7-459a-bdea-cfab3f255332",
"metadata": {},
"outputs": [],
"source": [
"# load data\n",
"df = pd.read_csv(\"../files/davis.csv\", sep=\"\\t\")\n",
"\n",
"# select variables\n",
"target = \"sex\"\n",
"features = [\"weight\", \"height\", \"repwt\", \"repht\"]\n",
"\n",
"# a copy of the data frame\n",
"data = df.copy()\n",
"data = data[[target] + features]\n",
"\n",
"data.info()"
]
},
{
"cell_type": "markdown",
"id": "e3479ed2-ec29-4a05-9554-1691a59f3e4d",
"metadata": {},
"source": [
"Le jeu de données est composée de 200 observations mais comme toutes ne sont pas remplies pour tous les champs, il convient dans un premier temps de s’en occuper. Nous retenons comme stratégie de les combler avec la valeur moyenne de la colonne :"
]
},
{
"cell_type": "code",
"execution_count": null,
"id": "638eaa6f-d30a-45f3-b888-d727eb00ef53",
"metadata": {},
"outputs": [],
"source": [
"# mean value\n",
"repwt_mean = int(data.repwt.mean())\n",
"repht_mean = int(data.repht.mean())\n",
"\n",
"# fill NA\n",
"data.repwt.fillna(repwt_mean, inplace=True)\n",
"data.repht.fillna(repht_mean, inplace=True)\n",
"\n",
"data.info()"
]
},
{
"cell_type": "markdown",
"id": "ee52c74a-9e9d-4998-99f6-f370419a7926",
"metadata": {},
"source": [
"La seconde étape consiste à séparer le *dataset* en deux parties inégales : l’une pour le jeu d’entraînement, constituée de 80 % de l’ensemble ; et l’autre pour le jeu de test."
]
},
{
"cell_type": "code",
"execution_count": null,
"id": "cece0234-c72c-4f7f-a0db-4805e0f98f0f",
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
"outputs": [],
"source": [
"limit = int(len(data) * 0.2)\n",
"\n",
"# split\n",
"train = data[limit:]\n",
"test = data[:limit]"
]
},
{
"cell_type": "markdown",
"id": "f3d0c802-2b5f-48bf-a34c-65ad0b30520b",
"metadata": {},
"source": [
"Attachons-nous à étudier le rapport entre le poids et la taille des individus. Intuitivement, on penserait que ces caractéristiques sont globalement liées par une corrélation positive : l’augmentation chez l’une entraîne une augmentation chez l’autre. Si nous affichons une droite de régression sur le jeu de données complet, on observe bien le phénomène attendu :"
]
},
{
"cell_type": "code",
"execution_count": null,
"id": "312afd57-af0f-4e38-9154-a05c0402715e",
"metadata": {},
"outputs": [],
"source": [
"_ = sns.regplot(data=data, x=\"weight\", y=\"height\")"
]
},
{
"cell_type": "markdown",
"id": "84c8a544-351b-4b47-89ba-abfb9f1f031e",
"metadata": {},
"source": [
"Pour autant, il n’en va pas de même avec les jeux d’entraînement et de test :"
]
},
{
"cell_type": "code",
"execution_count": null,
"id": "cdc0d499-1ee3-4740-9c9d-2d3b4b0b5f90",
"metadata": {},
"outputs": [],
"source": [
"figure, (col_1, col_2)= plt.subplots(1, 2, figsize=(12,4))\n",
"\n",
"sns.regplot(data=train, x=\"weight\", y=\"height\", ax=col_1)\n",
"sns.regplot(data=test, x=\"weight\", y=\"height\", ax=col_2)\n",
"\n",
"figure.suptitle(\"Relation entre le poids et la taille des individus\", y=1.05)\n",
"\n",
"col_1.set(title=\"Jeu d’entraînement\")\n",
"col_2.set(title=\"Jeu de test\")\n",
"\n",
"sns.despine()\n",
"\n",
"plt.show()"
]
},
{
"cell_type": "markdown",
"id": "c500a2fa-07c5-45f4-a8c7-548abd3d0c9e",
"metadata": {},
"source": [
"À votre avis, quelles erreurs peuvent avoir faussé notre interprétation ?"
]
},
{
"cell_type": "markdown",
"id": "61c8d84f-a791-425e-ae70-306f0da93a55",
"metadata": {
"tags": []
},
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
"source": [
"## Les relations à distance"
]
},
{
"cell_type": "markdown",
"id": "057d738a-a8a8-4d38-9dd2-b109d1325308",
"metadata": {},
"source": [
"Il paraît que l’univers est en expansion et que cette expansion va en s’accélérant. C’est en tout cas ce que l’étude de Wendy Freedman et al. a prouvé ([*Freedman, 2001*](../0.about-datasets.ipynb#Stellar-Objects)). Par conséquent, on s’attend à ce qu’un objet stellaire s’éloigne d’autant plus vite de nous que la distance qui nous sépare de lui est grande.\n",
"\n",
"Chargeons le jeu de données en se concentrant sur des objets proches de nous (entre 30 000 et 100 000 années-lumières) :"
]
},
{
"cell_type": "code",
"execution_count": null,
"id": "1cf3ab56-418f-46e3-bc3f-36cf0eec0dbf",
"metadata": {},
"outputs": [],
"source": [
"# load data\n",
"df = pd.read_csv(\"../files/stellar-objects.csv\", sep=\"\\t\")\n",
"\n",
"# distance: megaparsec (MPC)\n",
"# velocity: in km/s\n",
"df[\"velocity\"] = df.v_helio.fillna(df.v_flow.fillna(df.v_cmb))\n",
"\n",
"# objects close to earth, but not that close :)\n",
"data = df[(df.distance > 10) & (df.distance < 30)]"
]
},
{
"cell_type": "markdown",
"id": "f0a306e1-be3e-4431-84a3-32216340c326",
"metadata": {},
"source": [
"Affichons un nuage de points afin de vérifier la proposition de ces pontes de la NASA :"
]
},
{
"cell_type": "code",
"execution_count": null,
"id": "1fb0d73f-62bd-4777-b4e4-276554e2a599",
"metadata": {},
"outputs": [],
"source": [
"sns.scatterplot(data=data, x=\"distance\", y=\"velocity\")\n",
"\n",
"sns.despine()\n",
"\n",
"plt.title(\"Relation between distance and velocity of stellar objects\")\n",
"plt.xlabel(\"Distance (MPC)\")\n",
"plt.ylabel(\"Velocity (km/s)\")\n",
"\n",
"plt.show()"
]
},
{
"cell_type": "markdown",
"id": "fbb20849-4a22-4870-940b-8067fd06e548",
"metadata": {},
"source": [
"Euh… rien de bien concluant à première vue, non ? Afin de déterminer visuellement s’il existe bien une relation linéaire entre la distance et la vitesse d’éloignement, affichez une droite de régression :"
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
]
},
{
"cell_type": "code",
"execution_count": null,
"id": "125c4241-faf9-4209-b8c6-cfc2c1b07105",
"metadata": {},
"outputs": [],
"source": [
"# your code here\n",
"\n",
"_ = sns.regplot(data=data, x=\"distance\", y=\"velocity\")"
]
},
{
"cell_type": "markdown",
"id": "aa3c4eeb-5ce4-44f2-9403-9d50a9e425e9",
"metadata": {},
"source": [
"Bon, appelez BFM TV, Wendy s’est trompée : 2/3 des points sont en dehors de l’intervalle de confiance à 95 %. Ou alors, peut-être avons-nous fait une erreur de méthodologie ?"
]
}
],
"metadata": {
"kernelspec": {
"display_name": "Python 3 (ipykernel)",
"language": "python",
"name": "python3"
},
"language_info": {
"codemirror_mode": {
"name": "ipython",
"version": 3
},
"file_extension": ".py",
"mimetype": "text/x-python",
"name": "python",
"nbconvert_exporter": "python",
"pygments_lexer": "ipython3",
"version": "3.10.6"
}
},
"nbformat": 4,
"nbformat_minor": 5
}