Chapitre 2 : Analyse de données

Avant de fouiller des données, il faut les comprendre. Ce chapitre présente le processus CRISP-DM et l’analyse descriptive (univariée et multivariée).

Objectifs

À la fin de ce chapitre, vous devez pouvoir :

  • Décrire les étapes du processus CRISP-DM

  • Comprendre les éléments constitutifs d’un jeu de données (variables, types, taille)

  • Mener une analyse descriptive univariée et multivariée

  • Identifier les besoins de nettoyage / prétraitement des données

1. Le processus CRISP-DM

CRISP-DM (Cross-Industry Standard Process for Data Mining) est une méthodologie (cycle de vie) qui décrit les étapes d’un projet de données, de l’objectif jusqu’au déploiement de la solution de décision :

  1. Comprendre le business (l’objectif, la décision visée) ;

  2. Comprendre les données ;

  3. Préparer les données (nettoyage, transformation) ;

  4. Modéliser le problème (choisir ou écrire les algorithmes adaptés) ;

  5. Évaluer ;

  6. Déployer.

Le cycle CRISP-DM

Le cycle CRISP-DM (itératif).

2. Comprendre les données

  • Variable : une mesure / caractéristique du problème. Pour chacune : sa description, son type (continue/quantitative ou discrète/qualitative), son unité, ses modalités.

  • Taille de la base : nombre de lignes, de colonnes.

  • Sources de datasets : UCI ML Repository, etc.

3. Analyse descriptive

3.1. Univariée (variable par variable)

  • Variable continue : min, max, moyenne, médiane, quantiles, écart-type.

  • Variable discrète : compter les modalités.

# En R, un résumé rapide :
summary(iris)

3.2. Multivariée (relations entre variables)

  • Corrélations entre paires de variables.

  • Visualisations :

    • Histogramme / densité → évaluer la distribution (suit-elle une loi normale ?).

      Histogramme / densité

    • Boxplot / violin → repérer les valeurs aberrantes.

      Boxplot / violin

    • Scatterplot → repérer des tendances :

      Scatterplot

      • 2 variables (x, y) : tendance générale (linéaire, non linéaire, aléatoire, convexe/concave) ;

      • 3 variables (x, y + couleur/forme/taille) : groupes (clusters), séparabilité ;

      • 4–5 variables : tendances spécifiques (couleur + forme + taille).

    • Des représentations plus avancées (coordonnées parallèles, courbes d’Andrews, …).

4. Cas pratique : Iris

Le jeu Iris comporte 5 variables (longueur/largeur de sépale et de pétale + espèce). L’objectif : prédire l’espèce à partir des 4 mesures.

\[\text{espèce} = f(\text{sepal\_length}, \text{petal\_length}, \text{sepal\_width}, \text{petal\_width})\]
Le jeu de données Iris

Analyse exploratoire du jeu Iris.

5. Nettoyage et prétraitement

Avant la modélisation (CRISP étape 3), on prépare les données : traiter les valeurs manquantes et aberrantes, supprimer les doublons, corriger les incohérences, encoder/normaliser/standardiser, créer de nouvelles variables si pertinent.

Exercice

Voir le TP analyse descriptive : récupérez un jeu de données, menez l’analyse descriptive complète et tirez des conclusions à la lumière d’un sujet d’orientation.