Scribd
Importer
3 vues2 pages

TD R Logistique

Ce document traite d'un exercice de régression logistique pour prédire le risque de panne d'une machine en fonction de son niveau de charge. Il définit les variables pertinentes et propose un modèle logistique, ainsi que des étapes pour effectuer des itérations de descente de gradient. L'objectif est de déterminer la frontière de décision pour le niveau de charge à partir duquel le risque de panne devient majoritaire.

Transféré par

URBAN SHINOBI
Copyright
© All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd
3 vues2 pages

TD R Logistique

Ce document traite d'un exercice de régression logistique pour prédire le risque de panne d'une machine en fonction de son niveau de charge. Il définit les variables pertinentes et propose un modèle logistique, ainsi que des étapes pour effectuer des itérations de descente de gradient. L'objectif est de déterminer la frontière de décision pour le niveau de charge à partir duquel le risque de panne devient majoritaire.

Transféré par

URBAN SHINOBI
Copyright
© All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd

TD : Régression Logistique

Exercice :
Une entreprise de production utilise une machine critique dans sa chaîne de fabrication.
On souhaite prédire le risque de panne de cette machine en fonction de son niveau de charge.
On définit :
• x : niveau de charge de la machine (indice codé de 0 à 3)
o 0 : charge très faible
o 1 : charge faible
o 2 : charge moyenne
o 3 : charge élevée
• y∈{0,1} : état de la machine lors du quart de travail
o y=0 : aucun incident
o y=1 : panne survenue
L’ingénieur data de l’entreprise propose d’utiliser un modèle de régression logistique pour
estimer la probabilité de panne en fonction de x.
Le modèle logistique est :

avec :
• p^i : probabilité prédite de panne pour le niveau de charge xi
• θ0,θ1 : paramètres du modèle à estimer
La fonction de coût moyenne (log-loss) est :

Les gradients sont :

La mise à jour (descente de gradient) est :


i Niveau de charge (xi) Panne (yi)
1 0 0
2 1 0
3 2 1
4 3 1
• Nombre d’observations : m=4
• Paramètres initiaux : θ0=0, θ1=0
• Taux d’apprentissage : α=0.1
1. Effectuer 3 itérations de descente de gradient à la main.
Pour chaque itération, vous devez :
a. Calculer numériquement, pour chaque observation i :

• zi

• p^i

• ei=p^i−yi

b. Calculer les gradients :

c. Mettre à jour les paramètres :

d. Calculer la valeur de la fonction coût J(θ) à chaque itération et vérifier qu’elle diminue.

2. Après la 3ᵉ itération, déterminer la frontière de décision x∗ telle que :

Interpréter x∗ en termes de niveau de charge à partir duquel le risque de panne devient


majoritaire.

Vous aimerez peut-être aussi