-
Notifications
You must be signed in to change notification settings - Fork 1
/
projetS6_Gabrielle.Rmd
442 lines (341 loc) · 15.2 KB
/
projetS6_Gabrielle.Rmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
---
title: "projetS6"
output: html_document
---
```{r setup, include=FALSE}
knitr::opts_chunk$set(echo = TRUE)
```
```{r echo=FALSE}
library(plyr)
library(dplyr)
library(magrittr)
library(lubridate)
library(ggplot2)
library(tidyverse)
library(sf)
library(caret)
library(class)
library(factoextra)
library(ggmap)
library(osmdata)
library(geosphere)
library(grid)
library(lattice)
library(modeltools)
library(stats4)
library(flexclust)
library(keras)
library(MASS)
pkgs <- list("glmnet", "doParallel", "foreach", "pROC")
lapply(pkgs, require, character.only = T)
registerDoParallel(cores = 4)
```
On tire les variables créées précédemment sauf quelques unes. Comme ça on laisse plus d'espace dans l'environnement.
```{r echo=FALSE}
rm(list=setdiff(ls(), c("mad_map","df","dfclusteringTousTypesJours","labels")))
```
```{r echo=FALSE}
write.csv(df,"./df.csv")
```
# 1°) Préparation des données pour la régression
On crée un tableau qui contient le nombre de validations par créneau horaire, par arrêt et par jour (quand il y en a ie. qu'on a aucune observation avec 0 validation).
```{r echo=FALSE}
dfPourACP = df[,c("DATE","ARRET","HEURE")]
dfPourACP = dfPourACP %>% count(DATE,ARRET, HEURE)
```
On charge les données de pluie.
```{r echo=FALSE}
dfMeteo <- read.csv("./données météo/export-toulon2019.csv", header = TRUE, sep= ";", na.strings = "")
dfMeteo$DATE = date(dfMeteo$DATE)
dfMeteo = dfMeteo[,c(1,8)]
```
On crée une liste avec les jours de vacances
```{r}
vacances = seq(as.Date("2019-01-01"), by = "day", length.out = 6)
vacances = c(vacances,seq(as.Date("2019-02-09"), by = "day", length.out = 16))
vacances = c(vacances,seq(as.Date("2019-04-06"), by = "day", length.out = 17))
vacances = c(vacances,seq(as.Date("2019-05-29"), by = "day", length.out = 5))
vacances = c(vacances,seq(as.Date("2019-07-06"), by = "day", length.out = 58))
vacances = c(vacances,seq(as.Date("2019-10-19"), by = "day", length.out = 16))
vacances = c(vacances,seq(as.Date("2019-12-21"), by = "day", length.out = 11))
```
On crée le tableau complet comme dfPourACP mais avec tous les blocs horaires, quotidiennement et pour tous les arrêts. En tout, on a 22 (: nb d'heures sans compter 2h et 3h) * 365 (jours de l'année) * 930 (nb arrêts) = 7467900 lignes dans le tableau. Cela revient à ajouter les observations quand il n'y a pas de validation.
```{r echo=FALSE}
# ajout des variables DATE, TYPEJOUR (lundi, mardi...), PRECIPITATIONS_MM, HEURE
dfPourACP2 = merge(data.frame(DATE = seq(as.Date("2019-01-01"), by = "day", length.out = 365),TYPEJOUR = weekdays(seq(as_datetime("2019-01-01"), by = "day", length.out = 365)),PRECIPITATIONS_MM = dfMeteo$PRECIP_TOTAL_DAY_MM),data.frame(HEURE = c(0,1,2,seq(5,23))))
# ajout des arrêts
dfPourACP2 = merge(dfPourACP2,data.frame(ARRET=labels))
# ajout de la variable ECOLE et de la variable ORDINAIRE
dfPourACP2 = merge(dfPourACP2,data.frame(DATE = c(as.Date("2019-01-01"),as.Date("2019-04-21"),as.Date("2019-04-22"),as.Date("2019-05-01"),as.Date("2019-05-08"),as.Date("2019-05-30"),as.Date("2019-06-09"),as.Date("2019-06-10"),as.Date("2019-07-14"),as.Date("2019-08-15"),as.Date("2019-11-01"),as.Date("2019-11-11"),as.Date("2019-12-25")),ORDINAIRE = seq(0, by =0, length.out = 13)), by.x = c("DATE"), by.y = c("DATE"),all=TRUE)
dfPourACP2 = merge(dfPourACP2,data.frame(DATE = vacances, ECOLE = seq(0, by =0, length.out = length(vacances))), by.x = c("DATE"), by.y = c("DATE"),all=TRUE)
```
On rajoute ensuite le décompte des validations au tableau final. Pour cela, on le prélève du tableau dfPourACP.
```{r echo=FALSE}
dfPourACP2$HEURE = paste(dfPourACP2$HEURE)
dfPourACP$HEURE = paste(as.integer(dfPourACP$HEURE))
dfPourACP2$ARRET = paste(dfPourACP2$ARRET)
dfPourACP2 = merge(dfPourACP2,dfPourACP,by.x = c("DATE","HEURE","ARRET"),by.y = c("DATE","HEURE","ARRET"),all=TRUE)
dfPourACP2$n[is.na(dfPourACP2$n)] <- 0
dfPourACP2$ECOLE[is.na(dfPourACP2$ECOLE)] <- 1
dfPourACP2$ORDINAIRE[is.na(dfPourACP2$ORDINAIRE)] <- 1
```
On one-hot encode les jours de la semaine pour pouvoir les analyser comme les autres variables.
```{r echo=FALSE}
oneHotEncode <- function(df0){
dmy <- dummyVars(" ~ .", data = df0)
return(data.frame(predict(dmy, newdata = df0)))
}
```
Pour standardiser la variable de précipitations :
```{r echo=FALSE}
standardise <- function(df0,colonne){
maxCol = max(df0[,c(colonne)])
minCol = min(df0[,c(colonne)])
df0[,c(colonne)]= (df0[,c(colonne)]- minCol)/(maxCol-minCol)
}
```
One-hot encoding + standardisation.
```{r echo=FALSE}
prepare_dfCluster <- function(df0, colonne){
df0 = df0[,-c(1,3)]#on tire la variable date et l'arrêt
df0 = oneHotEncode(df0)
standardise(df0,colonne)
return(df0)
}
```
Fonction pour créer une variable HEURE à partir des 22 précédentes et une variable JOURS à la place des 7 précédentes (jours de la semaine). On fait cela par LDA pour que ce soit supervisé ce qui semble être un avantage par rapport à la PCA. Le tableau obtenu est retourné.
```{r echo=FALSE}
reductionDimensionParLDA <- function(df0, dftest){
ldamodel = lda(n~., data=df0[c(seq(24,29),33)])
JOURS0 = as.matrix(df0[seq(24,29)])%*%as.matrix(ldamodel$scaling[,1])
JOURStest = as.matrix(dftest[seq(24,29)])%*%as.matrix(ldamodel$scaling[,1])
ldamodel = lda(n~., data=df0[c(seq(1,12),seq(14,22),33)])
HEURES0 = as.matrix(df0[c(seq(1,12),seq(14,22))])%*%as.matrix(ldamodel$scaling[,1])
HEUREStest = as.matrix(dftest[c(seq(1,12),seq(14,22))])%*%as.matrix(ldamodel$scaling[,1])
return(list(data.frame(JOURS = JOURS0, HEURES = HEURES0, ORDINAIRE = df0$ORDINAIRE, ECOLE = df0$ECOLE, PRECIPITATIONS = df0$PRECIPITATIONS_MM,n = df0$n, EVENEMENT = df0$EVENEMENT), data.frame(JOURS = JOURStest, HEURES = HEUREStest, ORDINAIRE = dftest$ORDINAIRE, ECOLE = dftest$ECOLE, PRECIPITATIONS = dftest$PRECIPITATIONS_MM,n = dftest$n, EVENEMENT = dftest$EVENEMENT)))
}
```
Fonction qui applique cette fois la lda à tout le jeu de données pour en retirer 5 composantes explicatives. On retourne le tableau final obtenu.
```{r echo=FALSE}
reductionDimensionParLDA2 <- function(df0){
ldamodel = lda(n~., data=df0[c(seq(1,12), seq(14,33))])
LDA1 = as.matrix(df0[c(seq(1,12), seq(14,32))])%*%as.matrix(ldamodel$scaling[,1])
LDA2 = as.matrix(df0[c(seq(1,12), seq(14,32))])%*%as.matrix(ldamodel$scaling[,2])
LDA3 = as.matrix(df0[c(seq(1,12), seq(14,32))])%*%as.matrix(ldamodel$scaling[,3])
LDA4 = as.matrix(df0[c(seq(1,12), seq(14,32))])%*%as.matrix(ldamodel$scaling[,4])
LDA5 = as.matrix(df0[c(seq(1,12), seq(14,32))])%*%as.matrix(ldamodel$scaling[,5])
return(data.frame(LDA1 = LDA1, LDA2 = LDA2,LDA3 = LDA3,LDA4 = LDA4,LDA5 = LDA5,n = df0$n))
}
```
3 possibilités pour la réduction : choisir la préférée entre LDA (sur heure et jours), LDA2 (sur toutes les variables) ou rien
# 2°) Régressions
Essai d'inférence d'évènements pour rajouter une variable. Rque : après il ne faudra mettre calucler ça qu'à partir du train (comme le clustering d'ailleurs.)
```{r echo=FALSE}
ajoutInferenceEvenements <- function(df0){
freqJours = df0[,c("DATE","n")]
freqJours = aggregate(freqJours$n, by=list(Category=freqJours$DATE), FUN=sum)
moyDistrib = mean(freqJours$x)
sigmaDistrib = sqrt(var(freqJours$x))
evenement = seq(0,by=0, length.out = 365)
for (k in seq(1,by=0.02,length.out = 20)){
evenement[freqJours$x>moyDistrib+k*sigmaDistrib] = k
evenement[freqJours$x<moyDistrib-k*sigmaDistrib] = -k
}
df0 = merge(df0,data.frame(Category = freqJours$Category,EVENEMENT = evenement), by.x = c("DATE"), by.y = c("Category"), all=TRUE)
return(df0)
}
```
On divise le tableau de données pour la régression en nb_clusters afin d'en avoir 1 nouveau par cluster. Puis on le prépare (one-hot encoding + standardisation)
```{r echo=FALSE}
cree_dfCluster <- function(GR,dfclusteringTousTypesJours){
dfCluster = dfPourACP2[dfPourACP2$ARRET %in% dfclusteringTousTypesJours[dfclusteringTousTypesJours$GR == GR,]$ARRET,]
dfCluster = ajoutInferenceEvenements(dfCluster)###A VOIR
return(prepare_dfCluster(dfCluster, "PRECIPITATIONS_MM"))
}
```
Création des jeux de test et d'entraînement+validation
```{r echo=FALSE}
creationJeux <- function(GR,dfclusteringTousTypesJours){
dfCluster = cree_dfCluster(GR,dfclusteringTousTypesJours)
set.seed(2021)
Trainingindex<-createDataPartition(dfCluster$n, p=0.8, list=FALSE)
trainingset<-dfCluster[Trainingindex,]
testingset<-dfCluster[-Trainingindex,]
mdlY <- trainingset$n
mdlX <- as.matrix(trainingset[,-c(33)])
newY <- testingset$n
newX <- as.matrix(testingset[,-c(33)])
return (list(mdlX,mdlY,newX,newY))
}
```
```{r echo=FALSE}
creationJeux(1,dfclusteringTousTypesJours)[[1]]
```
## 2.1°) Régression linéaire classique -> résultats bofs
```{r echo=FALSE}
creationJeuPourLM <- function(GR,dfclusteringTousTypesJours){
dfCluster = cree_dfCluster(GR,dfclusteringTousTypesJours)
set.seed(2021)
Trainingindex<-createDataPartition(dfCluster$n, p=0.8, list=FALSE)
trainingset<-dfCluster[Trainingindex,]
testingset<-dfCluster[-Trainingindex,]
return (list(trainingset,testingset))
}
```
```{r echo=FALSE}
library(DAAG)
```
```{r echo=FALSE}
jeu <- creationJeuPourLM(2,dfclusteringTousTypesJours)
trainingset <- jeu[[1]]
testingset <- jeu[[2]]
#nouveaujeu = reductionDimensionParLDA(trainingset,testingset)
#trainingset = nouveaujeu[[1]]
#testingset = nouveaujeu[[2]]
```
```{r echo=FALSE}
summary(trainingset$EVENEMENT)
```
```{r echo=FALSE}
fit0 = lm(n ~ .+0, data=trainingset[,-c(1,2,13,15,16,17,18,19,23,28)] )
```
```{r echo=FALSE}
yvsypred = data.frame(yreel = testingset$n, X1 = abs(round(predict(fit0, testingset, type = "response"),digit=0)))
names(yvsypred)[names(yvsypred)=="X1"] <- "ypred"
ggplot(yvsypred,aes(x = yreel, y = value)) +
geom_point(aes(y=ypred),color="#048B9A",size=0.1)+geom_line(aes(y=yreel),color="red",size=0.1)+
ggtitle("Résultats MCO sur test: y prédit en fonction de y réel")
```
```{r echo=FALSE}
summary(fit0)
```
## 2.2°) Modèle linéaire généralisé (GLM)
### 2.2.1°) Régression ridge
Création du modèle. Paramètre family à adapter. Ici on a un output de type "décompte" ("count data"). Ce qui se fait généralement dans ces cas, c'est d'utiliser un modèle de poisson, un modèle quasipoisson, un modèle de hermite, un modèle binomial négatif (ou autre?). -> choix à améliorer ici.
```{r echo=FALSE}
modeleDeRegressionRidge <- function(mdlX,mdlY,family){
cv2 <- cv.glmnet(mdlX, mdlY, family = poisson(link = 'identity') , nfold = 20, paralle = TRUE, alpha = 0, trace.it= TRUE)
md2 <- glmnet(mdlX, mdlY, family = poisson(link = 'identity') , lambda = cv2$lambda.1se, alpha = 0, trace.it = TRUE)
return (md2)
}
```
graphe des prédictions par rapport aux valeurs réelles sur le test.
```{r echo=FALSE}
grapheRegressionRidge <- function(md2,newY,newX,GR){
yvsypred = data.frame(yreel = newY, X1 = round(predict(md2, newX, type = "response"),digit=0))
names(yvsypred)[names(yvsypred)=="s0"] <- "ypred"
ggplot(yvsypred,aes(x = yreel, y = value)) +
geom_point(aes(y=ypred),color="#048B9A",size=0.1)+geom_line(aes(y=yreel),color="red",size=0.1)+
ggtitle("")
ggsave(paste("./regressionRidgeLinearLink",GR,".png"))
}
```
Fonction qui enregistre le graphe ypred = f(yreel) sur le test et qui affiche deviance, mse et mae.
```{r echo=FALSE}
resultatRegressionRidge <- function(mdlX,mdlY,newX, newY,famille,GR){
md2 = modeleDeRegressionRidge(mdlX,mdlY,famille)
print(assess.glmnet(md2, newy=newY,newx = newX))
grapheRegressionRidge(md2,newY,newX,GR)
}
```
Utilise le numéro du cluster et le tableau des couples arrêt-cluster et affiche/enregistre les résultats de la régression ridge (graphe, deviance, mae, mse)
```{r echo=FALSE}
regresse <- function(GR,dfclusteringTousTypesJours){
jeux = creationJeux(GR,dfclusteringTousTypesJours)
resultatRegressionRidge(jeux[[1]],jeux[[2]],jeux[[3]],jeux[[4]],"poisson",GR)
}
```
Application
```{r echo=FALSE}
regresse(2,dfclusteringTousTypesJours)
```
```{r echo=FALSE}
regresse(1,dfclusteringTousTypesJours15)
```
```{r echo=FALSE}
for (k in 1:15){
print(k)
regresse(k,dfclusteringTousTypesJours15)
}
```
### 2.2.2°) Régression elasticnet
modèle (family reste encore à adapter, type.measure aussi ?)
```{r echo=FALSE}
modeleDeRegressionElasticnet <- function(mdlX,mdlY,family){
a <- seq(0.1, 0.9, 0.05)
search <- foreach(i = a, .combine = rbind) %dopar% {
cv <- cv.glmnet(mdlX, mdlY, family = family, nfold = 10, paralle = TRUE, alpha = i)
data.frame(cvm = cv$cvm[cv$lambda == cv$lambda.1se], lambda.1se = cv$lambda.1se, alpha = i)
}
cv3 <- search[search$cvm == min(search$cvm), ]
md3 <- glmnet(mdlX, mdlY, family = family, lambda = cv3$lambda.1se, alpha = cv3$alpha)
return(md3)
}
```
graphe des prédictions par rapport aux valeurs réelles sur le test.
```{r echo=FALSE}
grapheRegressionElasticnet <- function(md2,newY,newX,GR){
yvsypred = data.frame(yreel = newY, X1 = predict(md2, newX, type = "response"))
names(yvsypred)[names(yvsypred)=="s0"] <- "ypred"
ggplot(yvsypred,aes(x = yreel, y = value)) +
geom_point(aes(y=ypred),color="#048B9A",size=0.1)+geom_line(aes(y=yreel),color="red",size=0.1)+
ggtitle("")
ggsave(paste("./regressionElasticnet",GR,".png"))
}
```
```{r echo=FALSE}
resultatRegressionElasticnet <- function(mdlX,mdlY,newX, newY,famille,GR){
md3 = modeleDeRegressionElasticnet(mdlX,mdlY,famille)
print(assess.glmnet(md3, newy=newY,newx = newX))
grapheRegressionElasticnet(md3,newY,newX,GR)
}
```
Utilise le numéro du cluster et le tableau des couples arrêt-cluster et affiche/enregistre les résultats de la régression elasticnet (graphe, deviance, mae, mse)
```{r echo=FALSE}
regresseElasticnet <- function(GR,dfclusteringTousTypesJours){
jeux = creationJeux(GR,dfclusteringTousTypesJours)
resultatRegressionElasticnet(jeux[[1]],jeux[[2]],jeux[[3]],jeux[[4]],"poisson",GR)
}
```
Application
```{r echo=FALSE}
regresseElasticnet(1,dfclusteringTousTypesJours)
```
### 2.3°) Régression de Hermite
```{r echo=FALSE}
library(hermite)
```
```{r echo=FALSE}
modelHermite = glm.hermite(n ~ .,
data = trainingset,
link = "log",
m=NULL)
```
```{r echo=FALSE}
summary(model)
```
# 3°) Conclusion
Marche moyennement
Sources d'améliorations envisageables :
- concernant le modèle : changer le paramètre "family", rajouter un paramètre "weight", changer le paramètre "type.measure" qui est à "deviance" par défaut.
- concernant les features : trouver comment mieux les sélectionner
- concernant le clustering : peut-être faut-il augmenter le nombre de cluster pour avoir plus d'homogénéité dans les clusters
## Lasso
# ```{r echo=FALSE}
# cv1 <- cv.glmnet(mdlX, mdlY, family = "poisson", nfold = 10, paralle = TRUE, alpha = 1)
# md1 <- glmnet(mdlX, mdlY, family = "poisson", lambda = cv1$lambda.1se, alpha = 1)
# coef(md1)
# ```
# ```{r echo=FALSE}
# rmse(newY, round(predict(md1, newX, type = "response"),digits = 0))
# ```
# ```{r echo=FALSE}
# mae(newY, round(predict(md1, newX, type = "response"),digits = 0))
# ```
# ```{r echo=FALSE}
# yvsypred = data.frame(yreel = newY, X1 = round(predict(md1, newX, type = "response"),digits=0))
# names(yvsypred)[names(yvsypred)=="s0"] <- "ypred"
# ggplot(yvsypred,aes(x = yreel, y = ypred)) +
# geom_point(aes(y=ypred),color="#048B9A",size=0.1)+
# ggtitle("")
# ```