DIAPO 12 — NORMALISATION DES DONNÉES
Ce que tu dis exactement :
Les variables du dataset possèdent des échelles très différentes.
Par exemple, certaines surfaces ont de grandes valeurs alors que
l’orientation possède des valeurs plus petites.
Nous avons donc utilisé StandardScaler() afin de standardiser les données.
Les méthodes fit(), transform() et fit_transform() permettent de calculer
puis appliquer cette normalisation.
Cette étape améliore généralement les performances et la stabilité des
modèles.
Phrase de liaison :
Après le prétraitement des données, nous avons commencé par entraîner
un premier modèle : la régression linéaire.
DIAPO 13 — RÉGRESSION LINÉAIRE
Ce que tu dis exactement :
Le premier modèle utilisé est la régression linéaire.
Ce modèle cherche à établir une relation linéaire entre les variables
d’entrée et la variable cible.
Nous avons utilisé la classe LinearRegression() de sklearn.
La méthode fit() entraîne le modèle sur les données d’apprentissage,
tandis que predict() produit les prédictions sur les données de test.
Ce modèle est simple, rapide et facilement interprétable, mais il peut être
limité lorsque les relations deviennent complexes.
Phrase de liaison :
Afin d’obtenir de meilleures performances sur des relations non linéaires,
nous avons également utilisé un arbre de décision.
DIAPO 14 — ARBRE DE DÉCISION
Ce que tu dis exactement :
Le second modèle utilisé est l’arbre de décision.
Ce modèle fonctionne en divisant les données sous forme de règles
hiérarchiques successives.
Nous avons utilisé DecisionTreeRegressor().
Contrairement à la régression linéaire, ce modèle peut capturer des
relations non linéaires complexes entre les variables.
Les paramètres comme max_depth permettent de contrôler la profondeur
de l’arbre afin d’éviter le surapprentissage.
Phrase de liaison :
Après l’entraînement des modèles, nous avons évalué leurs performances
à l’aide de plusieurs métriques.
DIAPO 15 — ÉVALUATION DES MODÈLES
Ce que tu dis exactement :
Pour évaluer les performances des modèles, nous avons utilisé deux
métriques principales.
La première est le MSE, qui mesure l’erreur moyenne entre les valeurs
réelles et les valeurs prédites.
La seconde est le coefficient R², qui indique la qualité globale du modèle.
Plus le MSE est faible et plus le R² est proche de 1, meilleur est le modèle.
Phrase de liaison :
Nous allons maintenant présenter les résultats obtenus pour la prédiction
du Heating Load.
DIAPO 16 — RÉSULTATS HEATING LOAD
Ce que tu dis exactement :
Pour le Heating Load, nous observons que l’arbre de décision obtient de
meilleures performances que la régression linéaire.
Le MSE est beaucoup plus faible et le coefficient R² est proche de 0.99.
Cela montre que les relations entre les variables sont principalement non
linéaires.
Nous avons également analysé l’importance des variables grâce à
feature_importances_.
La compacité relative apparaît comme la variable la plus influente avec
environ 88% d’importance.
Cela est logique physiquement, car les bâtiments compacts perdent moins
de chaleur.
Phrase de liaison :
Nous avons ensuite étudié les résultats obtenus pour le Cooling Load.
DIAPO 17 — RÉSULTATS COOLING LOAD
Ce que tu dis exactement :
Pour le Cooling Load, l’arbre de décision reste également le modèle le plus
performant.
Cependant, les résultats sont légèrement moins précis que pour le
chauffage.
Cela s’explique par le fait que le refroidissement dépend de plusieurs
facteurs plus complexes comme :
le vitrage,
l’orientation,
et les apports solaires.
Phrase de liaison :
Après les prédictions mono-sortie, nous avons également testé une
approche multi-sorties.
DIAPO 18 — RÉGRESSION MULTI-SORTIES
Ce que tu dis exactement :
Dans cette partie, nous avons essayé de prédire simultanément le Heating
Load et le Cooling Load.
L’avantage principal de cette approche est qu’un seul modèle peut gérer
plusieurs sorties en même temps.
Les performances obtenues restent très proches de celles du mode mono-
sortie, ce qui montre que le modèle conserve une excellente précision.
Phrase de liaison :
Afin de mieux interpréter les résultats, nous avons ensuite réalisé
plusieurs visualisations graphiques.
DIAPO 19 — VISUALISATIONS
Ce que tu dis exactement :
Nous avons utilisé matplotlib afin de visualiser les résultats obtenus.
La fonction plot() permet de tracer des courbes, scatter() crée des nuages
de points, et bar() permet de comparer les performances des modèles et
l’importance des variables.
Ces graphiques facilitent énormément l’analyse et l’interprétation des
résultats.
Phrase de liaison :
À partir de ces résultats, nous pouvons maintenant donner une
interprétation physique et génie civil du projet.
DIAPO 20 — INTERPRÉTATION GÉNIE CIVIL
Ce que tu dis exactement :
Ce projet montre clairement que la géométrie du bâtiment influence
fortement ses performances énergétiques.
Par exemple, le vitrage impacte fortement les besoins de refroidissement,
tandis que la compacité influence surtout les pertes thermiques.
Le Machine Learning peut donc devenir un outil très utile pour :
les ingénieurs,
les architectes,
et les concepteurs énergétiques.
Les applications possibles incluent les bâtiments intelligents, l’optimisation
énergétique et la conception durable.
Phrase de liaison :
Malgré ces résultats très satisfaisants, notre projet possède certaines
limites et plusieurs perspectives d’amélioration.
DIAPO 21 — PERSPECTIVES ET CONCLUSION
Ce que tu dis exactement :
Pour améliorer ce travail, nous pourrions tester des modèles plus avancés
comme :
Random Forest,
XGBoost,
ou les réseaux de neurones.
Nous pourrions également utiliser des données climatiques réelles afin
d’obtenir des prédictions encore plus précises.
En conclusion, ce projet montre que le Machine Learning permet de
prédire efficacement la consommation énergétique des bâtiments.
Parmi les modèles étudiés, l’arbre de décision a donné les meilleurs
résultats.
Ce travail illustre également le fort potentiel de l’intelligence artificielle
dans le domaine du génie civil.
Phrase de liaison :
Merci pour votre attention.
DIAPO 22 — MERCI
Ce que tu dis exactement :
Merci pour votre attention.
Nous sommes maintenant prêts à répondre à vos questions.