Challenge — Prix de voitures

Dataset : Used Car Dataset — Kaggle (auteur: rishabhkarn).
Lien : https://www.kaggle.com/datasets/rishabhkarn/used-car-dataset
⚠️ Vérifiez la description Kaggle pour les noms exacts** de colonnes** (ils peuvent varier selon la version).
Noms courants : selling_price (réponse), year, km_driven, fuel, transmission, seller_type, owner, name.

🎯 Objectif

Construire un modèle de régression linéaire multiple lm() pour expliquer le prix d’une voiture d’occasion et interpréter au moins un effet majeur.

0) Préparation

# Packages utiles
library(dplyr); library(ggplot2); library(readr); library(janitor); library(broom)
# (Optionnel) diagnostics
# library(car); library(performance)

# ⚠️ Adaptez le chemin vers votre CSV Kaggle
# Exemple : data/used_cars.csv
# cars_raw <- read_csv("data/used_cars.csv")

# Pour la démonstration, on crée un tibble vide si vous n'avez pas encore le fichier.
# Supprimez ce bloc une fois votre CSV chargé.
cars_raw <- tibble::tibble()
Warning

Important — Noms de colonnes
Les champs les plus fréquents sont :
selling_price, year, km_driven, fuel, transmission, seller_type, owner, name.
Ouvrez le CSV et confirmez les noms via names(cars_raw) ou glimpse(cars_raw).

# Vérifier les colonnes disponibles
# glimpse(cars_raw)

1) Nettoyage minimal

cars <- cars_raw %>%
  janitor::clean_names()

# Exemple de normalisation (adaptez aux noms réels de votre fichier)
# - Si votre fichier contient bien "selling_price", "km_driven", etc., ces lignes sont OK.
# - Sinon, renommez selon la description Kaggle.
cars <- cars %>%
  dplyr::rename(
    price = selling_price,       # <— renommer la variable réponse
    mileage_km = km_driven       # <— renommer le kilométrage
  )

# Encodage des catégorielles (adaptez selon vos colonnes exactes)
cars <- cars %>%
  mutate(
    fuel = as.factor(fuel),
    transmission = as.factor(transmission),
    seller_type = as.factor(seller_type),
    owner = as.factor(owner)
  )

# Gestion simple des valeurs manquantes (à raffiner si besoin)
cars_complete <- cars %>% tidyr::drop_na(price, year, mileage_km, fuel, transmission)
Note

À faire (équipe)
- Confirmer que price est bien la réponse (sinon, adaptez).
- Vérifier l’unité de mileage_km (km).
- Choisir une référence pertinente pour fuel et transmission (ex. essence, manuelle).

2) EDA rapide

# Distribution du prix (attention aux queues)
ggplot(cars_complete, aes(price)) + geom_histogram(bins=30, alpha=.7) +
  scale_x_continuous(labels = scales::label_number_si()) +
  labs(title="Distribution des prix")

# Prix vs kilométrage (possible non-linéarité)
ggplot(cars_complete, aes(mileage_km, price)) + geom_point(alpha=.3) +
  scale_y_continuous(labels = scales::label_number_si()) +
  scale_x_continuous(labels = scales::label_number_si()) +
  labs(title="Prix en fonction du kilométrage")

# Prix par transmission
ggplot(cars_complete, aes(transmission, price)) + geom_boxplot() +
  scale_y_continuous(labels = scales::label_number_si()) +
  labs(title="Prix par type de transmission")
Tip

Piste : tester des transformations si la relation prix ~ kilométrage semble non linéaire (ex. log(price), log1p(mileage_km)).

3) Modèle de base (≤ 6 prédicteurs)

mod0 <- lm(price ~ year + mileage_km + fuel + transmission + seller_type, data = cars_complete)
summary(mod0)
Note

Questions
- Quel prédicteur a l’effet le plus fort (en valeur absolue) ?
- Interprétez l’effet de transmission (manuelle vs auto) toutes choses égales par ailleurs.

4) Variante avec transformation

mod1 <- lm(log(price) ~ year + log1p(mileage_km) + fuel + transmission + seller_type, data = cars_complete)
broom::glance(mod0)[,c("r.squared","AIC","BIC")]
broom::glance(mod1)[,c("r.squared","AIC","BIC")]
broom::tidy(mod1) %>% head()
Tip

Interprétation (log-prix)
- Un coefficient sur year ≈ variation en % de prix par année supplémentaire (petite pente).
- log1p(mileage_km) : élasticité approximative au kilométrage.

5) (Option) Diagnostics rapides

par(mfrow=c(2,2)); plot(mod1); par(mfrow=c(1,1))
# car::vif(mod1)
Warning

Attention
- Colinéarité possible entre year et owner (ou d’autres variables).
- Valeurs extrêmes (prix/vehicules premium) pouvant influencer fortement les coefficients.

6) Restitution (équipe)

  1. Expliquez un effet majeur (ex. transmission, fuel, year) avec une phrase claire pour un public non technique.
  2. Comparez mod0 vs mod1 (AIC/BIC, R²) → quel modèle retenez-vous, et pourquoi ?
  3. Limites : mentionnez au moins une limite de votre modèle (données, hypothèses, variables manquantes).

⭐ Bonus

  1. Ajoutez interaction(year:transmission) si vous suspectez un effet différent selon la transmission.
  2. Cherchez un point influent (distance de Cook) et discutez s’il faut l’exclure.
  3. Proposez une variable métier à ajouter (ex. historique d’entretien, accidents, options).