République Algérienne Démocratique et Populaire

Ministère de l’Enseignement Supérieur et de la Recherche scientifique

Université de Ghardaïa

Faculté des Sciences et Technologie

Département des Mathématiques et Informatique

Domaine : Mathématiques et Informatique

Spécialité : Master II SIEC

Module : Data Mining et Apprentissage Automatique

PAR :

Soumia Elyakote HERMA

Enseignant :

Pr. Abdelouahab Moussaoui

ANNEE UNIVERSITAIRE : 2015/2016

Compte rendu

Régression linéaire Avec le logiciel R

Contenu

Compte rendu ........................................................................................... 1

Introduction ................................................................................................. 1

Étapes de TP ............................................................................................... 1

Conclusion .................................................................................................. 4

1

Introduction Dans ce TP nous allons voir un des algorithmes d’apprentissage simple c’est

bien la Régression, nous allons travailler avec le logiciel R qui offre des

commandes facile à manipuler. Dans mon TP ; V1et V2 désigne l’âge et la taille

d’enfant respectivement.

Étapes de TP Tout d’abord il faut que nous importons le DataSet DataHeight.txt qui

contient nos donnés à traités ;

> mydata=read.table("TPs\\DataHeight.txt")

> mydata

> attach(mydata)

2

1- la distribution de y en fonction de x (graphiquement) :

> plot(V1,V2)

2- Oui, il y a une corrélation entre les deux variables tel que nous remarquons

que les tailles des enfants augmentent avec leurs âges.

3- La corrélation linéaire peut être calculée grâce à la fonction cor(), elle est la

manière statistique qui prouve que x et y sont corrélés :

> cor(V1,V2)

[1] 0.926317

Nous rappelons que la corrélation linéaire varie entre -1 et 1. Lorsque cette

corrélation vaut 1, elle indique une corrélation positive parfaite entre les données ; les

données sont alors parfaitement alignées le long d’une droite dont le coefficient

directeur est positif.

3

4- les valeurs des paramètres θ0 et θ1: à partir de la commande summary() nous

pouvons estimer les deux paramètres ;

θ0= 0.06388 et θ1= 0.75016

5- la valeur de l’erreur résiduelle : la commande summary(modele) ;

Residual standard error: 0.6576

6- l’équation de la droite de régression : nous avons les valeurs de θ0 et θ1 ; Y=

0.06388X + 0.75016

Eq ; Taille = 0.06388Age + 0.75016

7- la droite de régression :

4

8- Prédiction des tailles des enfants ayant respectivement 3, 7, 9 et 12 ans :

La commande qui permet de donner la prédiction des tailles est :

>predict(modele, newdata=data.frame(V1=12))

3 : 0.941806

7 : 1.197331

9 : 1.325093

12 : 1.516737

9- la taille d’un enfant de 10 ans avec un intervalle de confiance de 95% :

> predict(modele, newdata = data.frame(V1 = 10), interval = "confidence")

fit lwr upr

1 1.388974 1.348584 1.429364

Conclusion À partir de ce que précède nous maitrisons les commandes en R qui aide à faire une

Régression linéaire et en plus prédire de sa part où nous voir l’importance qui nous donne

cet algorithme.