Logique pour résoudre une problèmatique

Version imprimable

13/04/2015, 14h17
selverine

Logique pour résoudre une problèmatique

Bonjour à tous,

Je dois résoudre de "la meilleure façon" la problématique suivante:

J'ai un fichier de données contenant des informations sur des moyens de transport: Vitesse moyenne, accélération, freins, trajectoire etc.
Le dernier champ de mes données est le type de transport: Train - Voiture - Non Connus.

Mon objectif serait de faire un code en R afin de déterminer pour les moyens de transport inconnus si c'est un train ou une voiture.

Ma logique serait la suivant:

En fonction de la vitesse moyenne de mon moyen de transport inconnu, je prends X ligne de train et X ligne de voiture ayant la vitesse moyenne similaire.
Après je pense faire la moyenne des autres champs ( accélération, trajectoire etc) en fonction du type (voiture ou train) et je regarde si ma valeur inconnue est plus proche du train ou de la voiture pour chaque champ.

Qu'en pensez-vous?

Merci par avance pour votre aide,

Cdt,

Selverine

PS: Je ne demande pas le code juste un feedback sur ma logique :-)
13/04/2015, 15h26
chautho

Bonjour,

Je ne sais pas si tu t'y connais en statistique/modélisation mais tu peux utiliser tes variables : Vitesse moyenne, accélération, freins, trajectoire etc. comme variable explicatives dans un modèle pour "prédire" la variable "type de transport".

Le "truc" consisterait à utiliser les données où tu connais le type de véhicule (voitrue/train) pour faire apprendre ton modèle. En suite tu utilise ce modèle pour prédire dans les données ta classe inconnue. Certains modèles peuvent même te donner la probabilité d'appartenance du véhicule à la classe train ou voiture !

Bref si tu vois un peu ce que je veux dire je peux te guider plus loin si tu veux !
13/04/2015, 15h50
Theta

Et quelque soit la méthode que tu utilises pour voir si ça marche n'oublie pas de faire une validation croisée.
13/04/2015, 16h24
selverine

Bonjour Theta, chautho,

Merci pour vos réponses.
Je dois bien l'avouer je n'ai pas du tout de connaissance sur la méthode que vous avez décrite.
Je suis débutant. J'ai suivi un cours en ligne de R mais ce point n'a pas été abordé.

Afin de ne pas vous poser 3000 stupides questions, est-ce que vous avez un bon tuto à me recommander pour la fabrication de modèle afin de prédire ma variable?

Merci beaucoup!

Selverine
13/04/2015, 16h28
chautho

Bonjour,

Je te conseille le site http://wikistat.fr contenant de nombreuses resources (cours/scénario d'utilisation) pour tout ce qui est statistique, exploration des données et modélisation. Sinon tu peux regarder le site pour une utilisation plus rapide tu peux regarder ici : http://www.statmethods.net/advstats/cart.html et tester des arbre de classification (part sous R) ou randomforest qui est encore plus puissant (et performant).

Aurais-tu un extrait de ton jeu de données pour que l'on puisse te guider ?
15/04/2015, 08h25
selverine

1 pièce(s) jointe(s)

Parfait! Je vais donc m'amuser avec ses tutoriels aujourd'hui :-).

Ci-joint des données.
Concernant les entêtes:

PSD : Pourcentage de point GPS correctement mappé
"std_speed" : Vitesse de dérivation
Les _a sont pour les accélérations.
Les _b pour les freins.

Merci beaucoup pour ton aide!

Selverine
15/04/2015, 14h15
chautho

Bonjour,

J'ai un peu regardé tes données et essayer quelques trucs. J'obtiens des résultats plutôt pas mauvais avec Random Forest (forêts aléatoires), seule méthode que j'ai utilisé.

J'ai utilisé le package caret (que je te conseille si tu souhaite faire de la modélisation).

Si tu as besoin d'aide n'hésite pas à venir poser des questions !
15/04/2015, 17h53
selverine

Bonjour,

Ok parfait. Je suis en plein apprentissage théorique sur la modélisation :-).
Tu penses que je peux jeter un œil à ton code voir comment ça marche stp?

Merci en tout cas pour ton aide.

Selverine

Voici du code !

Code:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
 
#################
#### Lecture ####
#################
 
donnees <- read.csv("voiture_ou_train.csv", sep = ",",header = T,
                    na.strings = "?")
 
donnees_a_predire <- donnees[is.na(donnees$class),-which(colnames(donnees)=="class")]
donnees_modele <- donnees[!is.na(donnees$class),]
 
######################
#### Modélisation ####
######################
 
library(caret)
set.seed(777) # fixation du noyau aléatoire
 
# Fonction pour assurer de faire de la validation croisée pour l'ajustement du modèle
trControl <- trainControl(method = "cv", number = 10, classProbs = T)
 
# Variable à prédire 
Y <- donnees_modele$class
# Variables explicatives
X <- donnees_modele[,-which(colnames(donnees_modele)=="class")]
 
# Séparation de nos données en échantillon d'apprentissage/test
inTrain <- createDataPartition(donnees_modele[,1], p = 0.75, list = FALSE)
 
trainY <- Y[inTrain]
testY <- Y[-inTrain]
 
trainX <- X[inTrain,]
testX <- X[-inTrain,]
 
# Ajustement des modèles (ex : random forest)
rfFit <- train(trainX,trainY, method = "rf", 
               trControl = trControl, tuneLength = 10)
plot(rfFit)
 
# Comparaison ajustement / réel 
table(predict(rfFit,trainX),trainY)
# Comparaison test / réel
table(predict(rfFit,testX),testY)
 
# Possibilité d'essaye d'autres modèles, liste ici :
?train_model_list
 
#############################################
#### Prévision sur l'échantillon inconnu ####
#############################################
 
donnees_a_predire$class_predite <- predict(rfFit,donnees_a_predire)

Si tu veux vraiment bien comprendre la modélisation je t'encourage tout de même à regarder les cours de programmation /scénario du site que je t'ai passé qui te permettront de comprendre ce qui se passe derrière et pourquoi on fait tout ça.

Je t'encourage aussi à essayer d'autres méthode que random forest. Par exemple une bête régression logistique ?

Ensuite n'hésite pas à poser des question pour bien comprendre le code, le pourquoi du comment, etc...