Bien sûr ! Voici un exemple de code Python pour modéliser un phénomène dans le domaine des analytics. Nous allons créer un modèle simple pour prédire les ventes d’un produit en fonction de diverses variables, comme le budget de marketing, le prix du produit, et le nombre de visiteurs sur le site web.
« `python
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error, r2_score
# Créons un jeu de données fictif
data = {
‘budget_marketing’: [500, 700, 1200, 900, 1000],
‘prix_produit’: [100, 150, 200, 180, 220],
‘visiteurs_site’: [1000, 1500, 2000, 1800, 2200],
‘ventes’: [150, 200, 250, 220, 280]
}
# Convertissons le jeu de données en un DataFrame
df = pd.DataFrame(data)
# Séparons les caractéristiques (features) et la variable cible (target)
X = df[[‘budget_marketing’, ‘prix_produit’, ‘visiteurs_site’]]
y = df[‘ventes’]
# Divisons les données en ensembles d’entraînement et de test
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# Créons et entraînons le modèle de régression linéaire
model = LinearRegression()
model.fit(X_train, y_train)
# Faisons des prédictions sur l’ensemble de test
y_pred = model.predict(X_test)
# Évaluons la performance du modèle
mse = mean_squared_error(y_test, y_pred)
r2 = r2_score(y_test, y_pred)
print(f »Erreur quadratique moyenne (MSE): {mse} »)
print(f »Score R²: {r2} »)
# Affichons les coefficients du modèle
print(« Coefficients du modèle: »)
print(model.coef_)
# Faisons une prédiction pour un nouvel ensemble de données
nouvelles_donnees = pd.DataFrame({
‘budget_marketing’: [1100],
‘prix_produit’: [190],
‘visiteurs_site’: [2100]
})
prediction = model.predict(nouvelles_donnees)
print(f »Prédiction pour les nouvelles données: {prediction[0]} ventes »)
« `
### Explication Sympa du Code
Salut les amis des data ! Aujourd’hui, nous allons créer un modèle simple en Python pour prédire les ventes d’un produit. C’est super cool, non ? 🚀
1. Importation des Bibliothèques : On commence par importer les bibliothèques nécessaires comme pandas pour manipuler les données et scikit-learn pour créer et évaluer notre modèle.
2. Création des Données : On crée un petit jeu de données fictif avec quelques variables comme le budget de marketing, le prix du produit, le nombre de visiteurs sur le site web, et les ventes.
3. Conversion en DataFrame : On convertit notre jeu de données en un DataFrame pandas, ce qui rend la manipulation des données beaucoup plus facile.
4. Séparation des Caractéristiques et de la Cible : On sépare les caractéristiques (les variables que nous allons utiliser pour faire des prédictions) et la variable cible (ce que nous voulons prédire).
5. Division des Données : On divise nos données en deux ensembles : un ensemble d’entraînement pour entraîner notre modèle et un ensemble de test pour évaluer sa performance.
6. Création et Entraînement du Modèle : On crée un modèle de régression linéaire et on l’entraîne avec nos données d’entraînement.
7. Prédiction et Évaluation : On fait des prédictions sur notre ensemble de test et on évalue la performance de notre modèle en calculant l’erreur quadratique moyenne et le score R².
8. Affichage des Coefficients : On affiche les coefficients de notre modèle pour voir comment chaque variable influence les ventes.
9. Prédiction pour de Nouvelles Données : Enfin, on fait une prédiction pour un nouvel ensemble de données pour voir combien de ventes on peut attendre avec ces nouvelles valeurs.
Et voilà ! Vous venez de créer un modèle simple pour prédire les ventes d’un produit. C’est génial, non ? 😊 N’oubliez pas de jouer avec les données et d’essayer différents modèles pour voir ce qui fonctionne le mieux pour votre cas spécifique. Bonne chance et amusez-vous bien avec les data ! 🤘