2019/2020 Data Mining TP n°1 ENIT

ème
Enseignant : Walid Ayadi 2 année GI

1. Régression linéaire simple :

1.1 Les données

Pour 47 immeubles d’appartements locatifs d’une grande ville américaine, les données
fournissent le revenu net de chaque immeuble en fonction du nombre d’appartements.
Liste des variables :
– Revenu : Revenu net de chaque immeuble
– Nbappart : Nombre d’appartements de chaque immeuble

1.2 Etapes préalables

Lire les données

suit=read.table(‘donreg1.txt’,header=TRUE) ;

Etude statistique
summary(suit)

Interpréter.

1.3 Modélisation linéaire

Ajuster le modèle
reg=lm(revenu~nbappt,data=suit)
summary(reg)
Nuage des points
plot(suit$nbappt,suit$revenu)
Ajouter la droite de régression
abline(reg)
Graphique des résidus studentisés
plot(reg$fitted.values,rstudent(reg))
Que penser de cette modélisation?

2. Régression linéaire multiple :

2.1 Les données
Les données décrivent les résultats comptables de 80 entreprises du Royaume Uni. RETCAP
est la variable à prédire.

Descriptif des 13 variables :

RETCAP Retour sur capitaux employés

WCFTDT Ratio des flux de fonds de roulement à la dette totale
LOGSALE Chiffre d'affaires total
LOGASST Total des actifs
CURRAT Ratio de liquidité générale

Travaux Pratiques Data Mining Walid Ayadi

QUIKRAT Ratio de liquidité
NFATAST Ratio de l'actif immobilisé net de l'actif total
FATTOT Actifs bruts au total des actifs
PAYOUT Ratio de distribution
WCFTCL Rapport du débit du fonds de roulement au total des passifs courants
GEARRAT Ratio d'endettement
CAPINT L'intensité du capital (ratio du total des ventes à l'actif total)
INVTAST Ratio du total des stocks à l'actif total

2.1 Lecture des données :

2.2 Première estimation du modèle :

Travaux Pratiques Data Mining Walid Ayadi