• View
• Edit
• History
• Print

BI 8

Data-Mining: Régresson linéaire et logistique

Instructions Mysql du tableau MS pour transformer la tables 'LesAchats':

1. create table C select * from LesClients

2. alter table C add column DA varchar(10) after age

3. update C set DA= if( Age < '25' , 'Y',DA)

4. update C set DA= if( Age < '35' and Age >24, 'A',DA)

5. update C set DA= if( Age >= '35', 'S',DA)

6: SELECT DA, sexe, csp, date, prixUnitaire FROM C, LesAchats where LesAchats.numClient = C.numSecu

ou

create table analysis SELECT DA, sexe, csp, date, prixUnitaire FROM C, LesAchats where LesAchats.numClient = C.numSecu

• Régression linéaire

   Rechercher un hyperplan qui sépare les exemples positifs et négatifs:
   a0+a1.x1 + a2.x2 + ....an.xn = b à epsilon près.

Weka/Explorer:

Preprocess/Open File: cpu.arff (dans le répertoire C:\Program Files\Weka-3.6\data )

Classify/Choose: fonctions/SimpleLinearRegression

• Régression logistique

Classification (0/1) à l'aide le la fonction logit (sigmoide)

Weka/Explorer:

Preprocess/Open File: diabetes.arff (dans le répertoire C:\Program Files\Weka-3.6\data )

Classify/Choose: fonctions/SimpleLogistic

Même travail avec labor.arff et iris.arff.

• Réseaux de neurones

  Classification à l'aide de plusieurs régressions logistiques

• Représentation de l'erreur: courbes de Lift