Données
- Que représente une ligne du tableau?
- Quelle est l'origine du jeu de données?
- Quelles variables sont numériques, catégorielles ou temporelles?
- Quelles valeurs sont manquantes ou suspectes?
Feuille de référence
Feuille de référence
Une page à garder ouverte pendant les ateliers et les mini-rapports : questions à poser, code R minimal, interprétation et vérifications finales.
Lire
Comprendre ce que représente une ligne du tableau
Coder
Importer, nettoyer, résumer et visualiser
Dire
Interpréter sans dépasser les données
Vérifier
Relire avant de remettre une trace finale
Avant d'analyser
Ces questions viennent avant le code. Elles évitent de modéliser une question mal définie.
Question
- Quelle variable faut-il expliquer, prévoir ou comparer?
- Quelle décision l'analyse doit-elle éclairer?
- La conclusion sera-t-elle descriptive, prédictive ou causale?
- Quelle limite doit être nommée dès le départ?
Patron R minimal
Ce code donne la structure générale. Remplacez les noms de fichiers et de variables par ceux de votre analyse.
Analyse courte
# Load libraries
library(tidyverse)
library(janitor)
library(broom)
# Import data
donnees <- read_csv("data/fichier.csv", show_col_types = FALSE) |>
clean_names()
# Inspect data
glimpse(donnees)
# Summarise
donnees |>
summarise(
n = n(),
moyenne = mean(variable, na.rm = TRUE),
mediane = median(variable, na.rm = TRUE),
ecart_type = sd(variable, na.rm = TRUE)
)
# Visualise
donnees |>
ggplot(aes(x = variable_x, y = variable_y)) +
geom_point() +
geom_smooth(method = "lm", se = FALSE) +
theme_minimal()
# Model
modele <- lm(variable_y ~ variable_x, data = donnees)
tidy(modele)
glance(modele)Interpréter un résultat
Une interprétation utile suit une structure courte et explicite.
-
01
Résultat
Nommer le résultat principal sans jargon inutile.
-
02
Contexte
Dire ce que le résultat signifie dans la situation étudiée.
-
03
Décision
Expliquer ce que le résultat suggère pour l'action ou la comparaison.
-
04
Limite
Indiquer pourquoi la conclusion doit rester prudente.
Utiliser l'IA avec prudence
Lorsque les consignes l'autorisent, l'IA peut aider à comprendre, déboguer et vérifier. Elle ne remplace pas la compréhension ni la responsabilité de l'équipe.
Bonne demande
Voici mon code et mon erreur. Peux-tu expliquer la cause probable et proposer une correction minimale?
Bonne vérification
Voici mon interprétation. Peux-tu indiquer ce qui est imprécis, trop fort ou non appuyé par les données?
À éviter
Demander une conclusion complète sans fournir sa propre tentative ni vérifier les résultats.
Avant de remettre un mini-rapport
La trace finale doit être compréhensible, reproductible et défendable.
Question et données
La question, la source des données, l'unité d'observation et les variables principales sont indiquées.
Code reproductible
Le document se rend sans erreur, les bibliothèques sont chargées et les chemins fonctionnent.
Interprétation prudente
La conclusion distingue description, association, prédiction et causalité.
Limites
Au moins une limite importante des données, de la méthode ou de l'interprétation est nommée.
IA déclarée
Si l'IA a influencé le livrable, la déclaration est complète et honnête.
Résultat final
Les tableaux, graphiques et conclusions correspondent à la question de départ.
Prévision temporelle
Avant le modèle, préciser cible, fréquence, origine, horizon et décision.
Validation
- Entraînement avant test.
- Même période test pour toutes les méthodes.
- Référence naïve ou saisonnière.
- Aucune variable future indisponible.
Mesures
- Erreur = observé - prévu.
- MAE : erreur absolue moyenne.
- RMSE : sensible aux grandes erreurs.
- Biais positif : sous-prévision moyenne.
Classification binaire
Définir la classe positive avant de calculer les mesures.
Matrice
- VP : positif correctement détecté.
- FP : intervention inutile.
- VN : négatif correctement écarté.
- FN : positif manqué.
Mesures
- Sensibilité = VP / (VP + FN).
- Spécificité = VN / (VN + FP).
- Précision = VP / (VP + FP).
- Le seuil dépend du coût et de la capacité.