Professional Documents
Culture Documents
Septembre 2012
Sommaire
Introduction............................................................................................................................................. 4 Objectifs .............................................................................................................................................. 4 Etude prliminaire des donnes ............................................................................................................. 5 Introduction......................................................................................................................................... 5 Etude du sujet...................................................................................................................................... 5 Source des donnes ............................................................................................................................ 6 Informations sur les donnes .............................................................................................................. 7 Matrice de corrlation......................................................................................................................... 9 Matrice de corrlation des attributs ............................................................................................... 9 Matrice de corrlation sur les individus ........................................................................................ 10 Corrlations de la variable prdire. ............................................................................................ 11 Rduction des dimensions ................................................................................................................ 12 Etude des premiers axes sur les individus ..................................................................................... 13 Lanalyse du cercle des corrlations.............................................................................................. 14 Analyse discriminante ................................................................................................................... 16 Classification des donnes ................................................................................................................ 17 Classification ascendante hirarchique ......................................................................................... 17 Classification par cartes auto organisatrice. ................................................................................. 19 Analyse histographique ..................................................................................................................... 22 Prdiction du nombre des crimes violents pour 100k habitants .......................................................... 28 Introduction....................................................................................................................................... 28 Approche avec donnes compltes .................................................................................................. 29 Approche par rgression ............................................................................................................... 29 Machine vecteurs de support ..................................................................................................... 32 Approche par rseau de neurones et perceptron multi couche. .................................................. 33 Approche par vraisemblance......................................................................................................... 35 Approche avec donnes classifies ................................................................................................... 36 Approche avec variables supprimes ................................................................................................ 38 Choix des variables ........................................................................................................................ 38 Le rsultat obtenu ......................................................................................................................... 39 Tableau des rsultats..................................................................................................................... 40 Approche par suppression de communaut ..................................................................................... 41
CNAM RCP 209 - APPRENTISSAGE, RSEAUX DE NEURONES ET MODLES GRAPHIQUES. Fouad BADRAN, Michel CRUCIANU et Meziane YACOUB | Etudiant : Sbastien DIAZ
CNAM RCP 209 - APPRENTISSAGE, RSEAUX DE NEURONES ET MODLES GRAPHIQUES. Fouad BADRAN, Michel CRUCIANU et Meziane YACOUB | Etudiant : Sbastien DIAZ
Introduction
Objectifs
Lobjectif de ce projet est danalyser et de prdire les crimes violents pour 100k habitants partir dun large panel de donnes relatives aux crimes et communauts amricaines. Notre tude sera construite en deux parties distinctes et ncessaires la comprhension et la recherche dun modle de prvision satisfaisant. La premire partie sera organise autour de ltude des donnes, de leurs prtraitements et de lanalyse de leurs comportements et de leurs cartographies. La seconde partie sera axe sur la proposition de plusieurs modles : par rgression , par machine vecteur support ou par rseaux de neurones. Le travail effectu dans ce projet est de mettre en pratique les diffrentes techniques et thories vues lors du cours et lors des sances de TP de RCP209 : Apprentissage, Rseaux de neurones et Modles graphiques. Ce travail sera mises en uvre par des scripts MATLAB agrments dutilitaires gratuits.
CNAM RCP 209 - APPRENTISSAGE, RSEAUX DE NEURONES ET MODLES GRAPHIQUES. Fouad BADRAN, Michel CRUCIANU et Meziane YACOUB | Etudiant : Sbastien DIAZ
Etude du sujet
Les informations fournies combinent des donnes socio-conomiques du Recensement US depuis 1990, des donnes lgislatives de ltude de US LEMAS depuis 1990 et des donnes criminelles du FBI depuis 1995. Lide est dessayer de prdire le taux des crimes violents pour 100k habitants partir de ces donnes socio conomiques Il ny a pas de donnes temporelles. On ne cherche donc pas prdire quel sera la valeur tel moment. Lanalyse portera donc sur les facteurs pouvant influencer ou pas la variable prdire. Il y a 128 attributs avec 1994 instances. Chaque instance est caractrise par son tat et sa communaut.
CNAM RCP 209 - APPRENTISSAGE, RSEAUX DE NEURONES ET MODLES GRAPHIQUES. Fouad BADRAN, Michel CRUCIANU et Meziane YACOUB | Etudiant : Sbastien DIAZ
CNAM RCP 209 - APPRENTISSAGE, RSEAUX DE NEURONES ET MODLES GRAPHIQUES. Fouad BADRAN, Michel CRUCIANU et Meziane YACOUB | Etudiant : Sbastien DIAZ
Sur ces 122 variables, il existe des variables contenant des donnes incompltes au nombre de 23, dont voici la liste : OtherPerCap: per capita income for people with 'other' heritage (numeric - decimal) LemasSwornFT: number of sworn full time police officers (numeric - decimal) LemasSwFTPerPop: sworn full time police officers per 100K population (numeric - decimal) LemasSwFTFieldOps : number of sworn full time police officers in field operations (on the street as opposed to administrative etc) (numeric - decimal) LemasSwFTFieldOps : sworn full time police officers in field operations (on the street as opposed to administrative etc) per 100K population (numeric - decimal) LemasTotalReq : total requests for police (numeric - decimal) LemasTotReqPerPop : total requests for police per 100K popuation (numeric - decimal) PolicReqPerOffic : total requests for police per police officer (numeric - decimal) PolicPerPop : police officers per 100K population (numeric - decimal) RacialMatchCommPol : a measure of the racial match between the community and the police force. High values indicate proportions in community and police force are similar (numeric - decimal) PctPolicWhite : percent of police that are caucasian (numeric - decimal) PctPolicBlack : percent of police that are african american (numeric - decimal) PctPolicHisp : percent of police that are hispanic (numeric - decimal) PctPolicAsian : percent of police that are asian (numeric - decimal) PctPolicMinor : percent of police that are minority of any kind (numeric - decimal) OfficAssgnDrugUnits : number of officers assigned to special drug units (numeric - decimal) NumKindsDrugsSeiz : number of different kinds of drugs seized (numeric - decimal) PolicAveOTWorked : police average overtime worked (numeric - decimal) PolicCars : number of police cars (numeric - decimal)
CNAM RCP 209 - APPRENTISSAGE, RSEAUX DE NEURONES ET MODLES GRAPHIQUES. Fouad BADRAN, Michel CRUCIANU et Meziane YACOUB | Etudiant : Sbastien DIAZ
Il reste donc 99 variables utilisables plus la valeur estimer pour la ralisation notre tude. On pourra regarder en annexe ltude statistique lmentaire des ces variables.
CNAM RCP 209 - APPRENTISSAGE, RSEAUX DE NEURONES ET MODLES GRAPHIQUES. Fouad BADRAN, Michel CRUCIANU et Meziane YACOUB | Etudiant : Sbastien DIAZ
Matrice de corrlation
Matrice de corrlation des attributs La matrice de corrlation nous permet de mettre en vidence la corrlation ou non des variables. On entrevoit dj des groupes de variables fortement corrls. La classification et la rduction de dimension des variables nous permettront dtudier plus prcisment ce phnomne. La grande partie des variables montre une tendance plutt neutre en termes de corrlation ou non corrlation. Voici la matrice de corrlation sous forme graphique des 100 attributs :
CNAM RCP 209 - APPRENTISSAGE, RSEAUX DE NEURONES ET MODLES GRAPHIQUES. Fouad BADRAN, Michel CRUCIANU et Meziane YACOUB | Etudiant : Sbastien DIAZ
CNAM RCP 209 - APPRENTISSAGE, RSEAUX DE NEURONES ET MODLES GRAPHIQUES. Fouad BADRAN, Michel CRUCIANU et Meziane YACOUB | Etudiant : Sbastien DIAZ
10
Corrlation Variable 0,2643 PersPerOwnOccHous 0,2532 PctWorkMom 0,2483 pctWFarmSelf 0,2481 PctSameHouse85 0,248 AsianPerCap 0,2308 OwnOccHiQuart 0,216 OwnOccMedVal 0,1968 whitePerCap 0,1944 OwnOccLowQuart 0,1719 RentHighQ 0,1538 MedRent 0,1534 RentMedian 0,1407 PctSpeakEnglOnly 0,118 HispPerCap 0,0993 RentLowQ 0,082 blackPerCap 0,0756 pctWWage 0,0672 PctBSorMore 0,0638 PctHousOccup 0,0605 PctEmploy 0,0538 PctOccupMgmtProf 0,0376 perCapInc 0,0213 MedNumBR -0,0195 medIncome -0,0225 medFamInc -0,0349 PctHousOwnOcc -0,0397 PctPersOwnOccup -0,0449 pctWInvInc -0,0715 PctTeen2Par -0,0772 PctYoungKids2Par -0,0909 racePctWhite -0,0984 PctFam2Par -0,11 PctKids2Par
Corrlation
0,738 PctRecImmig10 0,6313 PctRecImmig8 0,5747 PersPerRentOccHous 0,556 PctImmigRec8 0,5528 PctRecImmig5 0,5254 PctRecentImmig 0,5219 PctImmigRec5 0,5042 LandArea 0,4882 PctForeignBorn 0,4834 PctImmigRecent 0,4828 PctUsePubTrans 0,4745 agePct12t29 0,471 PersPerFam 0,4529 pctWSocSec 0,4476 agePct16t24 0,4214 pctUrban 0,4111 PctSameCity85 0,3835 agePct65up 0,3758 MedOwnCostPctInc 0,3672 agePct12t21 0,3645 MedOwnCostPctIncNoMtg 0,3629 racePctAsian 0,3486 PctVacMore6Mos 0,3403 PctSameState85 0,325 PctWorkMomYoungKids 0,3046 householdsize 0,3 PersPerOccupHous 0,2956 PctEmplManu 0,2948 PctEmplProfServ 0,2942 PctBornSameState 0,2931 indianPerCap 0,2915 pctWRetire 0,2814 MedYrHousBuilt
-0,1244 -0,1506 -0,1531 -0,1554 -0,1556 -0,1721 -0,1907 -0,2093 -0,2105 -0,2323 -0,2399 -0,2405 -0,2415 -0,2446 -0,2518 -0,2754 -0,3055 -0,3147 -0,319 -0,3316 -0,3391 -0,3521 -0,3574 -0,4242 -0,4391 -0,4707 -0,5255 -0,5763 -0,6616 -0,6661 -0,6848 -0,7067 -0,7384
Nous observons trs rapidement les lments proches comme le pourcentage denfants illgitimes et la population de race black . Ainsi que les lments anti corrls comme les familles ayants deux parents ou la race white .
CNAM RCP 209 - APPRENTISSAGE, RSEAUX DE NEURONES ET MODLES GRAPHIQUES. Fouad BADRAN, Michel CRUCIANU et Meziane YACOUB | Etudiant : Sbastien DIAZ
11
0.9
0.8
0.7
0.6
Inertia
0.5
0.4
0.3
0.2
0.1
10
20
30
40
50 PC no.
60
70
80
90
100
Les 20 premires dimensions couvrent plus de 90% de la reprsentation des donnes. Les trois premiers axes reprsentent plus de 50% des axes de nos donnes. Pour rendre nos images plus parlantes une coloration a t ajoute aux valeurs. Cette classification est base sur la fonction kmean de matlab avec 5 classes pour dterminer les premiers partitionnements de nos donnes.
CNAM RCP 209 - APPRENTISSAGE, RSEAUX DE NEURONES ET MODLES GRAPHIQUES. Fouad BADRAN, Michel CRUCIANU et Meziane YACOUB | Etudiant : Sbastien DIAZ
12
Etude des premiers axes sur les individus Les deux premiers axes sont ici reprsents.
Data projection on the first two principal axes 10
-5
-10
-15
-20 -15
-10
-5
10
15
Il est difficile ici de dterminer une classification intressante. La distribution principale des donnes apparait centre autour dun centre compact. Le reste des donnes est dispers plus largement dans lespace. Les deux axes suivants confortent cette analyse.
Data projection on the second two principal axes 15
10
-5
-10
-15 -20
-15
-10
10
CNAM RCP 209 - APPRENTISSAGE, RSEAUX DE NEURONES ET MODLES GRAPHIQUES. Fouad BADRAN, Michel CRUCIANU et Meziane YACOUB | Etudiant : Sbastien DIAZ
13
CNAM RCP 209 - APPRENTISSAGE, RSEAUX DE NEURONES ET MODLES GRAPHIQUES. Fouad BADRAN, Michel CRUCIANU et Meziane YACOUB | Etudiant : Sbastien DIAZ
14
Ces deux axes supplmentaires confortent les informations extraites prcdemment. On retrouve les mmes donnes isoles et aussi les donnes rapproches.
CNAM RCP 209 - APPRENTISSAGE, RSEAUX DE NEURONES ET MODLES GRAPHIQUES. Fouad BADRAN, Michel CRUCIANU et Meziane YACOUB | Etudiant : Sbastien DIAZ
15
Le but de lanalyse discriminante linaire est dtudier la projection linaire des donnes
Ou Sw reprsente la dispersion intra classes et Sb la dispersion inter classe. Un essai a donc t tent sur nos donnes. Voici le rsultat graphique.
Analyse discriminante sur les deux premiers axes 1 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0
0.2
0.4
0.6
0.8
Ce qui dcoule de ce rsultat est la difficult de cette mthode trouver des classes suffisamment indpendantes pour reprsenter les donnes avec plus de discernement. Comme dans ltude en analyse en composante principale, nous ne discernons rien de significatif.
CNAM RCP 209 - APPRENTISSAGE, RSEAUX DE NEURONES ET MODLES GRAPHIQUES. Fouad BADRAN, Michel CRUCIANU et Meziane YACOUB | Etudiant : Sbastien DIAZ
16
CNAM RCP 209 - APPRENTISSAGE, RSEAUX DE NEURONES ET MODLES GRAPHIQUES. Fouad BADRAN, Michel CRUCIANU et Meziane YACOUB | Etudiant : Sbastien DIAZ
17
4.5
3.5
CNAM RCP 209 - APPRENTISSAGE, RSEAUX DE NEURONES ET MODLES GRAPHIQUES. Fouad BADRAN, Michel CRUCIANU et Meziane YACOUB | Etudiant : Sbastien DIAZ
18
CNAM RCP 209 - APPRENTISSAGE, RSEAUX DE NEURONES ET MODLES GRAPHIQUES. Fouad BADRAN, Michel CRUCIANU et Meziane YACOUB | Etudiant : Sbastien DIAZ
19
PctBSorMore PctOccupMgmtProf
blackPerCap AsianPerCap
MedNumBR MedOwnCostPctInc
MedY rHousBuilt
PctPersOwnOccup PctHousOwnOcc
racePctAsian
indianPerCap
PersPerRentOccHous
PctVacMore6Mos MedOwnCostPctIncNoMtg
PctUsePubTrans
PctWOFullPlumb
PctEmplManu PctOccupManu
LemasPctOf f icDrugUn
CNAM RCP 209 - APPRENTISSAGE, RSEAUX DE NEURONES ET MODLES GRAPHIQUES. Fouad BADRAN, Michel CRUCIANU et Meziane YACOUB | Etudiant : Sbastien DIAZ
20
population racepctblack racePctAsian racePctHisp numbUrban indianPerCap NumUnderPov NumIlleg PctIlleg NumImmig PctRecentImmig PctRecImmig5 PctRecImmig8 PctRecImmig10 PctNotSpeakEnglWell PctLargHouseFam PctLargHouseOccup PctPersDenseHous HousVacant PctVacantBoarded PctWOFullPlumb NumInShelters NumStreet PctForeignBorn LandArea PopDens PctUsePubTrans LemasPctOf f icDrugUn ViolentCrimesPerPop
householdsize agePct12t21 agePct12t29 agePct16t24 agePct65up pctWFarmSelf pctWSocSec pctWPubAsst PctPopUnderPov PctLess9thGrade PctNotHSGrad PctUnemploy ed PctEmplManu PctEmplProf Serv PctOccupManu MalePctDiv orce MalePctNev Marr FemalePctDiv TotalPctDiv PersPerFam PctImmigRecent PctImmigRec5 PctImmigRec8 PctImmigRec10 PersPerOccupHous PersPerRentOccHous PctHousLess3BR PctVacMore6Mos PctHousNoPhone MedRentPctHousInc MedOwnCostPctIncNoMtg
medIncome medFamInc perCapInc whitePerCap blackPerCap AsianPerCap HispPerCap PctBSorMore PctOccupMgmtProf MedNumBR OwnOccLowQuart OwnOccMedVal OwnOccHiQuart RentLowQ RentMedian RentHighQ MedRent MedOwnCostPctInc
racePctWhite pctUrban pctWWage pctWInv Inc pctWRetire PctEmploy PctFam2Par PctKids2Par PctY oungKids2Par PctTeen2Par PctWorkMomY oungKids PctWorkMom PctSpeakEnglOnly PersPerOwnOccHous PctPersOwnOccup PctHousOccup PctHousOwnOcc MedY rHousBuilt PctBornSameState PctSameHouse85 PctSameCity 85 PctSameState85
CNAM RCP 209 - APPRENTISSAGE, RSEAUX DE NEURONES ET MODLES GRAPHIQUES. Fouad BADRAN, Michel CRUCIANU et Meziane YACOUB | Etudiant : Sbastien DIAZ
21
Analyse histographique
On regarde lhistogramme de rpartition des valeurs de chacun des paramtres ainsi quune estimation de mixture de gaussienne sy rapprochant. Pour analyser et calculer nos mixtures de gaussiennes, nous utilisons loutil stprtool. Nous estimons les noyaux de chacun de nos chantillons pour voir comment est repartie linformation dans lensemble des paramtres.
population(mlc) 1000 4
population(mlc) 400
householdsize(em) 4
householdsize(em)
500
200
0.5 racepctblack(em)
0.5 racepctblack(em)
0.5 racePctWhite(em)
0.5 racePctWhite(em)
1000
15 10
400
6 4
500 5 0 0
200 2 0 0
0.5 racePctAsian(em)
0.5 racePctAsian(em)
0.5 racePctHisp(em)
0.5 racePctHisp(em)
1000
10
1000
15 10
500
500 5
0.5 agePct12t21(em)
0.5 agePct12t21(em)
0.5 agePct12t29(em)
0.5 agePct12t29(em)
400
6 4
400
6 4
200 2 0 0
200 2 0 0
0.5 agePct16t24(em)
0.5 agePct16t24(em)
0.5 agePct65up(mlc)
0.5 agePct65up(mlc)
6 4 2 0
3 2 1 0
0.5
0.5
0.5
0.5
Cette premire page nous prsente des donnes relatives aux races et ges des individus. Ce que nous remarquons ; cest la forte reprsentation de la population de race white par rapport aux races black , asian et hispanique . Les ges sont assez reprsentatives car peu ce distingue. La population de plus de 65 ans est large dans sa reprsentation.
CNAM RCP 209 - APPRENTISSAGE, RSEAUX DE NEURONES ET MODLES GRAPHIQUES. Fouad BADRAN, Michel CRUCIANU et Meziane YACOUB | Etudiant : Sbastien DIAZ
22
numbUrban(em) 1000
pctUrban(mlc) 1
pctUrban(mlc)
500
0.5
0.5 medIncome(em)
0.5 medIncome(em)
0.5 pctWWage(em)
0.5 pctWWage(em)
300 200
300 200
3 2 1 0
2 100 0 0 100 0
0.5 pctWFarmSelf(em)
0.5 pctWFarmSelf(em)
0.5 pctWInvInc(em)
0.5 pctWInvInc(em)
400
300 200
3 2 1 0
200
2 100
0.5 pctWSocSec(em)
0.5 pctWSocSec(em)
0.5 pctWPubAsst(em)
0.5 pctWPubAsst(em)
3 2 1 0
3 2 1 0
0.5 pctWRetire(em)
0.5 pctWRetire(em)
0.5 medFamInc(em)
0.5 medFamInc(em)
3 2 1 0
300 200
2 100 0 0
0.5
0.5
0.5
0.5
perCapInc(em) 400 4
perCapInc(em) 400
whitePerCap(em) 4
whitePerCap(em)
200
200
0.5 blackPerCap(em)
0.5 blackPerCap(em)
0.5 indianPerCap(em)
0.5 indianPerCap(em)
400
6 4
600 400
200 2 0 0 200 0
0.5 AsianPerCap(em)
0.5 AsianPerCap(em)
0.5 HispPerCap(em)
0.5 HispPerCap(em)
3 2 1 0
300 200
2 100 0 0
0.5 NumUnderPov(em)
0.5 NumUnderPov(em)
0.5 PctPopUnderPov(em)
0.5 PctPopUnderPov(em)
1000
20
300 200
500
10 100
0.5 PctLess9thGrade(em)
0.5 PctLess9thGrade(em)
0.5 PctNotHSGrad(em)
0.5 PctNotHSGrad(em)
3 2
200
100 1 0 0
0.5
0.5
0.5
0.5
Cette deuxime page montre des informations sur lurbanisme, le social et les races.
CNAM RCP 209 - APPRENTISSAGE, RSEAUX DE NEURONES ET MODLES GRAPHIQUES. Fouad BADRAN, Michel CRUCIANU et Meziane YACOUB | Etudiant : Sbastien DIAZ
23
PctUnemployed(em) 3 2 1 0
PctUnemployed(em)
0.5 PctEmploy(em)
0.5 PctEmploy(em)
0.5 PctEmplManu(em)
0.5 PctEmplManu(em)
3 2 1 0
3 2 1 0
0.5 PctEmplProfServ(em)
0.5 PctEmplProfServ(em)
0.5 PctOccupManu(em)
0.5 PctOccupManu(em)
3 2 1 0
3 2 1 0
0.5 PctOccupMgmtProf(em)
0.5 PctOccupMgmtProf(em)
0.5 MalePctDivorce(em)
0.5 MalePctDivorce(em)
3 2
200
100 1 0 0
0.5 MalePctNevMarr(em)
0.5 MalePctNevMarr(em)
0.5 FemalePctDiv(em)
0.5 FemalePctDiv(em)
300 200
200
3 2
2 100 0 0
100 1 0 0
0.5
0.5
0.5
0.5
TotalPctDiv(em) 200 2
TotalPctDiv(em) 400
PersPerFam(em) 4
PersPerFam(em)
100
200
0.5 PctFam2Par(em)
0.5 PctFam2Par(em)
0.5 PctKids2Par(em)
0.5 PctKids2Par(em)
200
3 2
200
100 1 0 0
100
0.5 PctYoungKids2Par(em)
0.5 PctYoungKids2Par(em)
0.5 PctTeen2Par(em)
0.5 PctTeen2Par(em)
200
3 2
3 2 1 0
100 1 0 0
0.5 PctWorkMomYoungKids(em)
0.5 PctWorkMomYoungKids(em)
0.5 PctWorkMom(em)
0.5 PctWorkMom(em)
3 2 1 0
3 2 1 0
0.5 NumIlleg(em)
0.5 NumIlleg(em)
0.5 PctIlleg(em)
0.5 PctIlleg(em)
1000
40
400
500
20
200
0.5
0.5
0.5
0.5
Cette troisime page prsente les donnes sur le chaumage, le logement et la famille.
CNAM RCP 209 - APPRENTISSAGE, RSEAUX DE NEURONES ET MODLES GRAPHIQUES. Fouad BADRAN, Michel CRUCIANU et Meziane YACOUB | Etudiant : Sbastien DIAZ
24
NumImmig(em) 1000 40
NumImmig(em) 200
PctImmigRecent(em) 3 2
PctImmigRecent(em)
500
20
100 1
0.5 PctImmigRec5(em)
0.5 PctImmigRec5(em)
0.5 PctImmigRec8(em)
0.5 PctImmigRec8(em)
200
3 2
200
3 2
100 1 0 0
100 1 0 0
0.5 PctImmigRec10(em)
0.5 PctImmigRec10(em)
0.5 PctRecentImmig(em)
0.5 PctRecentImmig(em)
200
600 400
10
100
1 200
0.5 PctRecImmig5(mlc)
0.5 PctRecImmig5(mlc)
0.5 PctRecImmig8(em)
0.5 PctRecImmig8(em)
600 400
600 400
10
1 200 0 0 200 0
0.5 PctRecImmig10(em)
0.5 PctRecImmig10(em)
0.5 PctSpeakEnglOnly(em)
0.5 PctSpeakEnglOnly(em)
600 400
10
400
6 4
5 200 0 0
200 2 0 0
0.5
0.5
0.5
0.5
PctNotSpeakEnglWell(em) 1000 10
PctLargHouseFam(em)
500
5 200
0.5 PctLargHouseOccup(em)
0.5 PctLargHouseOccup(em)
0.5 PersPerOccupHous(em)
6 4
200 2 0 0 0.5 PersPerOwnOccHous(em) 4 300 200 2 100 0 0 0.5 PctPersOwnOccup(em) 300 200 100 0 0 0.5 PctHousLess3BR(em) 300 200 2 100 0 0 0.5 1 0 0 0.5 1 200 0 0 0.5 1 4 1 3 2 1 0 0 0.5 PctHousLess3BR(em) 600 400 1 1 0 0 0.5 PctPersOwnOccup(em) 600 400 200 0 0 0.5 MedNumBR(mlc) 1 1 100 0 0 0.5 PctPersDenseHous(em) 1 1 0 0 0.5 PersPerRentOccHous(em) 1
0.5 PersPerRentOccHous(em)
0.5
CNAM RCP 209 - APPRENTISSAGE, RSEAUX DE NEURONES ET MODLES GRAPHIQUES. Fouad BADRAN, Michel CRUCIANU et Meziane YACOUB | Etudiant : Sbastien DIAZ
25
HousVacant(em) 1000 15 10 500 5 0 0 0.5 PctHousOwnOcc(em) 300 200 100 0 0 0.5 PctVacMore6Mos(em) 300 200 100 0 0 0.5 PctHousNoPhone(em) 400 4 1 3 2 1 3 2 1 0 0 1 0 0
PctHousOccup(em) 4
PctHousOccup(em)
2 100 0.5 PctHousOwnOcc(em) 600 400 200 0.5 PctVacMore6Mos(em) 200 1 0 0 0.5 MedYrHousBuilt(mlc) 2 1 1 0 0 0.5 PctVacantBoarded(em) 6 4 2 0 0 0.5 MedYrHousBuilt(mlc) 1 1 0 0 0.5 PctVacantBoarded(em) 1
100 1 0 0 0.5 PctHousNoPhone(em) 300 200 200 2 100 0 0 0.5 OwnOccLowQuart(em) 400 6 4 200 2 0 0 0.5 1 0 0 0.5 1 0 0 0.5 1 200 1 0 0 0.5 OwnOccLowQuart(em) 400 1 0 0 0.5 OwnOccMedVal(em) 1 1 0 0 0.5 PctWOFullPlumb(em) 1
0.5 PctWOFullPlumb(em)
0.5 OwnOccMedVal(em)
6 4 2 0 0 0.5 1
OwnOccHiQuart(em) 400 6 4 200 2 0 0 0.5 RentMedian(em) 300 200 100 0 0 0.5 MedRent(em) 300 200 100 0 0 0.5 MedOwnCostPctInc(em) 300 200 100 0 0 0.5 NumInShelters(mlc) 1000 4 1 3 2 1 0 0 1 3 2 1 0 0 1 3 2 1 0 0 1 0 0
OwnOccHiQuart(em) 200
RentLowQ(em) 3 2 100 1
RentLowQ(em)
0.5 RentMedian(em)
0.5 RentHighQ(em)
0.5 RentHighQ(em)
3 2 1 0 0 0.5 1
10
12 MedRentPctHousInc(em) x 10
MedOwnCostPctIncNoMtg(em) 3 2 1
0.5 NumInShelters(mlc)
0.5 NumStreet(mlc)
0.5 NumStreet(mlc)
1000
500
500
0.5
0.5
0.5
0.5
CNAM RCP 209 - APPRENTISSAGE, RSEAUX DE NEURONES ET MODLES GRAPHIQUES. Fouad BADRAN, Michel CRUCIANU et Meziane YACOUB | Etudiant : Sbastien DIAZ
26
PctBornSameState(em) 3 2 1 0
PctBornSameState(em)
0.5 PctSameHouse85(em)
0.5 PctSameHouse85(em)
0.5 PctSameCity85(em)
0.5 PctSameCity85(em)
3 2 1 0
3 2 1 0
0.5 PctSameState85(em)
0.5 PctSameState85(em)
0.5 LandArea(em)
0.5 LandArea(em)
300 200
1000
15 10
2 100 0 0
500 5 0 0
0.5 PopDens(em)
0.5 PopDens(em)
0.5 PctUsePubTrans(em)
0.5 PctUsePubTrans(em)
400
1000
10
200
500
0.5
0.5
0.5 ViolentCrimesPerPop(em)
0.5 ViolentCrimesPerPop(em)
LemasPctOfficDrugUn(mlc) 1000 2
LemasPctOfficDrugUn(mlc) 400
500
200
0.5
0.5
0.5
0.5
En reprenant les donnes prcdemment cites : Les distributions des valeurs PctPersOwnOccup , PctHousOwnOcc , agePct12t21 ,agePct16t24 et agePct12t29 sont trs similaire dans leur forme centre. On remarquera que la variable racePctAsian est centre sur la gauche ce qui reprsente une minoration sur la reprsentativit en histogramme alors que la variable PctSpeakEnglOnly est centr vers la droite ce qui reprsente une majoration des individus. On remarquera que les racepctblack ,PctIlleg et PctVacantBoarded reprsente une minoration dans notre tude car fortement centr sur la gauche de nos histogrammes.
CNAM RCP 209 - APPRENTISSAGE, RSEAUX DE NEURONES ET MODLES GRAPHIQUES. Fouad BADRAN, Michel CRUCIANU et Meziane YACOUB | Etudiant : Sbastien DIAZ
27
CNAM RCP 209 - APPRENTISSAGE, RSEAUX DE NEURONES ET MODLES GRAPHIQUES. Fouad BADRAN, Michel CRUCIANU et Meziane YACOUB | Etudiant : Sbastien DIAZ
28
0.8
0.6
0.4
0.2
-0.2
10
20
30
40
50 Community
60
70
80
90
100
Les 99 valeurs de la rgression sont : 0.1205 -0.3385 0.0608 -0.0264 -0.2270 -0.1277 -0.1606 -0.0015 -0.1464 0.2980 0.2230 -0.0406 -0.2407 -0.2082 0.2030 0.0552 Qualit du rsultat : -0.0349 -0.0365 0.0113 0.0438 0.0496 -0.1670 -0.1638 0.2514 -0.0542 0.0028 0.0836 0.0769 0.3493 0.3719 -0.2185 0.0216 -0.0836 -0.0316 0.0750 -0.2358 -0.0587 0.0414 0.0322 -0.0792 -0.1426 0.1530 -0.1260 0.1470 -0.5543 0.5582 -0.0536 -0.1228 -0.5747 0.2394 0.1854 0.4564 0.0560 -0.1005 -0.0174 0.0764 -0.0602 -0.5692 -0.1476 -0.0501 0.3854 0.0655 0.0067 -0.0985 0.1403 0.0661 0.0252 -0.0341 0.1668 0.0625 -0.0917 0.0052 RMSE=0.13499 (RMSE : la racine de lerreur quadratique moyenne). 0.0938 -0.0662 -0.0566 0.1233 0.0108 0.6942 0.1572
CNAM RCP 209 - APPRENTISSAGE, RSEAUX DE NEURONES ET MODLES GRAPHIQUES. Fouad BADRAN, Michel CRUCIANU et Meziane YACOUB | Etudiant : Sbastien DIAZ
29
0.8
0.6
0.4
0.2
-0.2
10
20
30
40
50 Community
60
70
80
90
100
Qualit du rsultat : RMSE=0.13347 On obtient un modle plus prcis que le modle de rgression linaire.
CNAM RCP 209 - APPRENTISSAGE, RSEAUX DE NEURONES ET MODLES GRAPHIQUES. Fouad BADRAN, Michel CRUCIANU et Meziane YACOUB | Etudiant : Sbastien DIAZ
30
0.8
0.6
0.4
0.2
-0.2
10
20
30
40
50
60
70
80
90
100
Qualit du rsultat : RMSE=0.12677 Le rsultat est de meilleure qualit que la mthode par rgression PLS prsente prcdemment.
CNAM RCP 209 - APPRENTISSAGE, RSEAUX DE NEURONES ET MODLES GRAPHIQUES. Fouad BADRAN, Michel CRUCIANU et Meziane YACOUB | Etudiant : Sbastien DIAZ
31
0.8
0.6
0.4
0.2
-0.2
10
20
30
40
50 Community
60
70
80
90
100
Qualit du rsultat : RMSE=0.13 Lapproche par machine vecteurs support apporte plus de prcision que le modle par rgression simple.
CNAM RCP 209 - APPRENTISSAGE, RSEAUX DE NEURONES ET MODLES GRAPHIQUES. Fouad BADRAN, Michel CRUCIANU et Meziane YACOUB | Etudiant : Sbastien DIAZ
32
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
10
20
30
40
50
60
70
80
90
100
Qualit du rsultat : RMSE=0.11787 Cest le meilleur modle reprsent dans cette tude. De nombreuses tentatives on t entrepris avant darriver ce rsultat. Le comportement graphique est assez diffrent des mthodes de rgression. Parfois trs prcis, des endroits o une rgression ne lest pas, parfois beaucoup moins prcis. Mais sur notre jeu de test, le rsultat est globalement meilleur.
CNAM RCP 209 - APPRENTISSAGE, RSEAUX DE NEURONES ET MODLES GRAPHIQUES. Fouad BADRAN, Michel CRUCIANU et Meziane YACOUB | Etudiant : Sbastien DIAZ
33
Surapprentissage
0,24 0,22 RMSE (Erreur) 0,2 0,18 0,16 0,14 0,12 0,1 1 10 19 28 37 46 55 64 73 82 91 100 109 118 127 136 145
Erreur de validation
Erreur d'apprentissage
On saperoit quaprs 40 boucles, il nest plus ncessaire de continuer lapprentissage car la courbe des erreurs de validation de descend plus et commence remonter doucement alors que lerreur dapprentissage ne cesse de diminuer.
On saperoit que laugmentation du nombre de neurones napporte pas forcement une meilleur estimation si ce nest une minimisation de la variance de lerreur constate.
CNAM RCP 209 - APPRENTISSAGE, RSEAUX DE NEURONES ET MODLES GRAPHIQUES. Fouad BADRAN, Michel CRUCIANU et Meziane YACOUB | Etudiant : Sbastien DIAZ
34
10
20
30
40
50
60
70
80
90
100
Qualit du rsultat : RMSE= 0.13475 Ce que nous remarquons, cest que lestimation non paramtrique partir dune mixture de gaussienne permet dobtenir une bonne estimation. Lintervalle de confiance couvre la courbe relle.
CNAM RCP 209 - APPRENTISSAGE, RSEAUX DE NEURONES ET MODLES GRAPHIQUES. Fouad BADRAN, Michel CRUCIANU et Meziane YACOUB | Etudiant : Sbastien DIAZ
35
0.8
0.6
0.4
0.2
-0.2
10
20
30
40
50
60
70
80
90
100
Multiplier le nombre des classes, cest aussi multiplier le nombre des modles. Si chacun de ces modles encadre une bonne estimation, on doit obtenir un meilleur rsultat. Nombres dindividus par classe : Classe 1 Classe 2 Classe 3 Classe 4 110 441 351 192 381 596 117 626 468
CNAM RCP 209 - APPRENTISSAGE, RSEAUX DE NEURONES ET MODLES GRAPHIQUES. Fouad BADRAN, Michel CRUCIANU et Meziane YACOUB | Etudiant : Sbastien DIAZ
36
Nb classes
Rgression linaire
RMSE MAE MSE ARV 2 0.13763 0.099092 0.018942 0.51857 3 4 0.13501 0.096144 0.018227 0.21412 0.13089 0.045847 0.13245 0.094019 0.017542 0.13047 0.091678 0.017021 0.14783 0.10862 0.021853 0.12929 0.092427 0.016715 0.12763 0.14822 0.13692 0.17428 0.18433 0.09117 0.016288 0.1032 0.021969 0.10066 0.018747 0.13354 0.030374 0.13045 0.033976 0.49899 1.2551 0.48025 0.466 0.59828 0.4576 0.44593 0.60146 0.51323 0.83156 0.93016
Rgression PLS-Matlab
2 3 4 2 3 4
SVM Polynomial
2 3 4
Ce que nous voyons immdiatement est la dgradation de la qualit en fonction du nombre des classes construites. Les meilleures estimations profitent dune diminution qualitativement plus importante que les autres mthodes et ne supportent pas plus de 3 classes. Malheureusement lamlioration attendue sur les diffrents modles reste critiquable. Les rseaux de neurones perdent en efficacit.
CNAM RCP 209 - APPRENTISSAGE, RSEAUX DE NEURONES ET MODLES GRAPHIQUES. Fouad BADRAN, Michel CRUCIANU et Meziane YACOUB | Etudiant : Sbastien DIAZ
37
On note beaucoup de similarit entres ces deux listes. Les variables apparentes expriment lurbanisation, les retraits, lemploi, lenvironnement familiale et social.
CNAM RCP 209 - APPRENTISSAGE, RSEAUX DE NEURONES ET MODLES GRAPHIQUES. Fouad BADRAN, Michel CRUCIANU et Meziane YACOUB | Etudiant : Sbastien DIAZ
38
SVM Polynomial 1 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 Simulated Values Real Values
10
20
30
40
50
60
70
80
90
100
Ce rsultat t obtenu avec la deuxime liste de variables supprimes. Le rsultat nest pas de plus basse qualit que les mthodes prcdemment utilises.
CNAM RCP 209 - APPRENTISSAGE, RSEAUX DE NEURONES ET MODLES GRAPHIQUES. Fouad BADRAN, Michel CRUCIANU et Meziane YACOUB | Etudiant : Sbastien DIAZ
39
Tableau des rsultats Rgression linaire Rgression PLS-Matlab SVM Polynomial Rseau de neurones multi couche Liste 1 2 1 2 1 2 1 2 RMSE 0,13825 0,134 0,13671 0,13291 0,13048 0,12925 0,13788 0,13351 MAE 0,10049 0,097173 0,098719 0,09554 0,091957 0,089951 0,09764 0,095503 MSE 0,019112 0,017957 0,018691 0,017665 0,017025 0,016705 0,019011 0,017824 ARV 0,52324 0,49161 0,5117 0,48362 0,46611 0,45733 0,52048 0,48797
Cette stratgie apparat payante. Avec la liste issue de la carte topologique de kohonen, tous nos rsultats sont lgrement meilleurs quun jeu de donnes complet. Le rsultat reste en dessous de la sparation des donnes en classes.
CNAM RCP 209 - APPRENTISSAGE, RSEAUX DE NEURONES ET MODLES GRAPHIQUES. Fouad BADRAN, Michel CRUCIANU et Meziane YACOUB | Etudiant : Sbastien DIAZ
40
0.8
0.6
0.4
0.2
-0.2
10
20
30
40
50
60
70
80
90
100
Tableau de rsultat RMSE MAE MSE ARV Rgression linaire 0.12747 0.092553 0.016248 0.44483 Rgression PLS-Matlab 0.12764 0.091114 0.016292 0.44602 SVM Polynomial 0.12797 0.090735 0,017175 0,47019 Rseau de neurones 0.13552 0.094944 0.018367 0.50283 Cette solution apparait efficace compare aux rsultats obtenus avec lensemble du jeu de donnes. La premire intuition a t en accord avec ce rsultat.
CNAM RCP 209 - APPRENTISSAGE, RSEAUX DE NEURONES ET MODLES GRAPHIQUES. Fouad BADRAN, Michel CRUCIANU et Meziane YACOUB | Etudiant : Sbastien DIAZ
41
Approche mixte
Intuitivement, on remarque que si lon mixe un certains nombre de stratgie de classification de donnes, de suppression dinformation, on doit obtenir un bien meilleur rsultat. On mixe les meilleurs rsultats obtenus avec nos trois prcdentes stratgies. On choisi la recherche de deux ou trois classes en liminant des variables dtermines et des individus slectionns. Meilleur rsultat graphique
0.8
0.6
0.4
0.2
-0.2
10
20
30
40
50
60
70
80
90
100
CNAM RCP 209 - APPRENTISSAGE, RSEAUX DE NEURONES ET MODLES GRAPHIQUES. Fouad BADRAN, Michel CRUCIANU et Meziane YACOUB | Etudiant : Sbastien DIAZ
42
Tableau des rsultats Nombre RMSE MAE MSE ARV de classes 2 0.12437 0.087327 0.015467 0.42344 2 0.12438 2 0.12175 0.015472 0.42357 0.08589 0.014822 0.40579 0.08572
Rgression linaire Rgression PLS-Matlab SVM Polynomial Rseau de neurones multi couche
Les rsultats sont trs intressants. Nous obtenons un rsultat bien meilleur en choisissant, dans le jeu de donnes, les lments les plus pertinents. Toutes les analyses en rgression gagnent en prcision. Les machines vecteur de support obtiennent lun des meilleurs rsultats de notre tude.
CNAM RCP 209 - APPRENTISSAGE, RSEAUX DE NEURONES ET MODLES GRAPHIQUES. Fouad BADRAN, Michel CRUCIANU et Meziane YACOUB | Etudiant : Sbastien DIAZ
43
ARV 0.42164
0.49709 0.51276 0.50052 0.49202 0.44557 0.42164
Rgression linaire
Donnes compltes Donnes spares en 2 classes Donnes spares en 3 classes Variables supprimes Communauts supprimes Mixte avec 2 classes
0.42344
0.49888 0.51857 0.49899 0,49161 0.44483 0.42344
Rgression PLS-Matlab
Donnes compltes Donnes spares en 2 classes Donnes spares en 3 classes Variables supprimes Communauts supprimes Mixte avec 2 classes
0.12438
0,13347 0.13245 0.13047 0,13291 0.12764 0.12438 0.12743 0.12396 0.12021 0.12829 0.12429 0.1207
0.08572 0.015472
0.42357
0.48772 0.48025 0.466 0,48362 0.44602 0.42357
Rgression PLS-CG
Donnes compltes Donnes spares en 2 classes Donnes spares en 3 classes Variables supprimes Communauts supprimes Mixte avec 2 classes
0.1207 0.085773
0.01457
0.016238 0.015366 0.014451 0.016458 0.015448 0.01457 0.01686 0.01667 0.017695 0,016705 0,017175 0.014822 0.013893 0.018747 0.017938 0,017824 0.018367 0,017645
0.39888
0.44455 0.42067 0.39562 0.45057 0.4229 0.39888
SVM Polynomial
Donnes compltes Donnes spares en 2 classes Donnes spares en 3 classes Variables supprimes Communauts supprimes Mixte avec 2 classes
0.12175
0.12985 0.12911 0.13302 0,12925 0.12797 0.12175 0,11787 0,13692 0.13393 0,13351 0.13552 0,13283
0.08589 0.014822
0.40579
0.46268 0.45637 0.48444 0,45733 0,47019 0.40579
0,40909
0.40909 0.51323 0.4911 0,48797 0.50283 0,48306
Notre approche par rseau de neurones a perdu en efficacit ds que lon a commenc partitionner ou rduire nos donnes.
CNAM RCP 209 - APPRENTISSAGE, RSEAUX DE NEURONES ET MODLES GRAPHIQUES. Fouad BADRAN, Michel CRUCIANU et Meziane YACOUB | Etudiant : Sbastien DIAZ
44
CNAM RCP 209 - APPRENTISSAGE, RSEAUX DE NEURONES ET MODLES GRAPHIQUES. Fouad BADRAN, Michel CRUCIANU et Meziane YACOUB | Etudiant : Sbastien DIAZ
45
Conclusion
Aprs une tude sur la classification des donnes intressantes base sur plusieurs algorithmes connus, les modles de prdiction se sont avrs efficaces, en particulier ceux bass sur le perceptron multicouche et les machines vecteurs de support. Nous avons obtenu avec ces derniers des rsultats trs intressants et prometteurs. Ce fut une tude intressante avec des donnes qui ont rsist de nombreuses tentatives de prdiction. Ltude sur un phnomne rel est toujours passionnante. Le sujet ici est vaste et complexe. Ce qui est plaisant est de rechercher et daffiner ces modles de prdiction et de russir montrer que certains peuvent donner dexcellents rsultats. Je regrette de ne pas avoir eu assez de temps pour utiliser un rseau bayesiens ou estimer un modle paramtrique. Les donnes de cette tude sont spcifiques aux tats unis. Il manque certainement des donnes qui pour nous, sur un autre continent, paraissent plus intressantes. Je pense que des donnes sur certains aspects juridiques comme la peine de mort ou certains aspects conomiques comme le nombre darmes vendues sur la mme priode auraient pu claircir et peu tre affiner notre modle prdictif. Je finirais par afficher en plus grand lun des meilleurs rsultats de mon tude base sur une machine vecteurs de support coupe en trois classes avec des variables et des individus choisis.
SVM Polynomial 1.2 Simulated Values Real Values
0.8
0.6
0.4
0.2
-0.2
10
20
30
40
50
60
70
80
90
100
CNAM RCP 209 - APPRENTISSAGE, RSEAUX DE NEURONES ET MODLES GRAPHIQUES. Fouad BADRAN, Michel CRUCIANU et Meziane YACOUB | Etudiant : Sbastien DIAZ
46
Annexe
Outils utiliss
Liste des outils utiliss pour cette analyse :
Netlab : http://www1.aston.ac.uk/eas/research/groups/ncrg/resources/netlab/ SDH Toolbox : http://www.ofai.at/~elias.pampalk/sdh/overview.html SOM Toolbox : http://www.cis.hut.fi/somtoolbox/ Stprtool : http://cmp.felk.cvut.cz/cmp/software/stprtool/ GLM-IE : http://hannes.nickisch.org/code/glm-ie/doc/index.html Moutlier1 : http://www.mathworks.com/matlabcentral/fileexchange/12252
fold population householdsize racepctblack racePctWhite racePctAsian racePctHisp agePct12t21 agePct12t29 agePct16t24 agePct65up numbUrban pctUrban
CNAM RCP 209 - APPRENTISSAGE, RSEAUX DE NEURONES ET MODLES GRAPHIQUES. Fouad BADRAN, Michel CRUCIANU et Meziane YACOUB | Etudiant : Sbastien DIAZ
CNAM RCP 209 - APPRENTISSAGE, RSEAUX DE NEURONES ET MODLES GRAPHIQUES. Fouad BADRAN, Michel CRUCIANU et Meziane YACOUB | Etudiant : Sbastien DIAZ
PctOccupMgmtProf MalePctDivorce MalePctNevMarr FemalePctDiv TotalPctDiv PersPerFam PctFam2Par PctKids2Par PctYoungKids2Par PctTeen2Par PctWorkMomYoungKids PctWorkMom NumIlleg PctIlleg NumImmig PctImmigRecent PctImmigRec5 PctImmigRec8 PctImmigRec10 PctRecentImmig PctRecImmig5 PctRecImmig8 PctRecImmig10 PctSpeakEnglOnly PctNotSpeakEnglWell
CNAM RCP 209 - APPRENTISSAGE, RSEAUX DE NEURONES ET MODLES GRAPHIQUES. Fouad BADRAN, Michel CRUCIANU et Meziane YACOUB | Etudiant : Sbastien DIAZ
50
LemasSwFTFieldOps
RacialMatchCommPol PctPolicWhite PctPolicBlack PctPolicHisp PctPolicAsian PctPolicMinor OfficAssgnDrugUnits NumKindsDrugsSeiz PolicAveOTWorked LandArea PopDens PctUsePubTrans PolicCars
CNAM RCP 209 - APPRENTISSAGE, RSEAUX DE NEURONES ET MODLES GRAPHIQUES. Fouad BADRAN, Michel CRUCIANU et Meziane YACOUB | Etudiant : Sbastien DIAZ
Statistiques lmentaires
Voici la liste statistique des 99 variables plus la valeur estimer:
Nom de la variable population householdsize racepctblack racePctWhite racePctAsian racePctHisp agePct12t21 agePct12t29 agePct16t24 agePct65up numbUrban pctUrban medIncome pctWWage pctWFarmSelf pctWInvInc pctWSocSec pctWPubAsst pctWRetire medFamInc perCapInc whitePerCap blackPerCap indianPerCap AsianPerCap HispPerCap NumUnderPov Moyenne Mdiane Variance 0.0576 0.4634 0.1796 0.7537 0.1537 0.1440 0.4242 0.4939 0.3363 0.4232 0.0641 0.6963 0.3611 0.5582 0.2916 0.4957 0.4711 0.3178 0.4792 0.3757 0.3503 0.3680 0.2911 0.2035 0.3224 0.3863 0.0555 0.0200 0.4400 0.0600 0.8500 0.0700 0.0400 0.4000 0.4800 0.2900 0.4200 0.0300 1.0000 0.3200 0.5600 0.2300 0.4800 0.4750 0.2600 0.4700 0.3300 0.3000 0.3200 0.2500 0.1700 0.2800 0.3450 0.0200 0.0161 0.0268 0.0642 0.0596 0.0436 0.0541 0.0241 0.0206 0.0277 0.0321 0.0164 0.1979 0.0438 0.0335 0.0417 0.0317 0.0301 0.0493 0.0281 0.0393 0.0365 0.0349 0.0294 0.0272 0.0382 0.0335 0.0164 Dviation Standard 0.1269 0.1637 0.2534 0.2440 0.2089 0.2325 0.1552 0.1436 0.1665 0.1792 0.1283 0.4448 0.2094 0.1829 0.2041 0.1781 0.1736 0.2221 0.1676 0.1983 0.1911 0.1868 0.1716 0.1648 0.1954 0.1831 0.1279 Min 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 Max Mode 1 0.0100 1 0.4100 1 0.0100 1 0.9800 1 0.0200 1 0.0100 1 0.3800 1 0.4900 1 0.2900 1 0.4700 1 0 1 1.0000 1 0.2300 1 0.5300 1 0.1600 1 0.4100 1 0.5600 1 0.1000 1 0.4400 1 0.2500 1 0.2300 1 0.3000 1 0.1800 1 0 1 0.1800 1 0.3000 1 0.0100
CNAM RCP 209 - APPRENTISSAGE, RSEAUX DE NEURONES ET MODLES GRAPHIQUES. Fouad BADRAN, Michel CRUCIANU et Meziane YACOUB | Etudiant : Sbastien DIAZ
52
1 0.2600 1 0.4300 1 0.0100 1 0.0200 1 0.0200 1 0.0200 1 0.9600 1 0.0300 1 0.1700 1 0.1900 1 0.3700 1 0.4500 1 0.3200 1 0.5400 1 0.0600 1 0.5300 1 0.5000
CNAM RCP 209 - APPRENTISSAGE, RSEAUX DE NEURONES ET MODLES GRAPHIQUES. Fouad BADRAN, Michel CRUCIANU et Meziane YACOUB | Etudiant : Sbastien DIAZ
53
MedOwnCostPctIncNoMtg 0.4038
CNAM RCP 209 - APPRENTISSAGE, RSEAUX DE NEURONES ET MODLES GRAPHIQUES. Fouad BADRAN, Michel CRUCIANU et Meziane YACOUB | Etudiant : Sbastien DIAZ
54