Atelier : EDA guidée en une page
Résumer données, risques et baseline en une fiche.
Énoncé
Sur data/colis_propres.csv : réservez d'abord des clients de test, puis livrez une fiche d'une page sur le train avec forme, manquants, trois graphiques clés et trois risques (fuite, biais, unité). Proposez une référence simple pour prédire prix_eur et sa métrique, sans encore prétendre mesurer une performance finale. Définitions détaillées aux chapitres 13 et 14 : train = données qui apprennent, baseline = prédiction constante (médiane), MAE = moyenne des valeurs absolues des erreurs, en euros ici.
Contraintes
Une page, unités partout, baseline descriptive chiffrée sur le train seulement. Ce chiffre ne sera pas un score test. Aucun modèle complexe. Ne regardez pas les lignes réservées, même pour choisir les graphiques.
Indices
Forme, isna, histogramme du prix, nuage distance/prix et résidus par rapport à la médiane. Risques en phrases testables : delai_jours est-il disponible au moment de la commande ? Les unités ont-elles été converties ? Les clients seront-ils séparés ?
Correction disponibleCherchez d’abord par vous-même.Voir la correction
Correction
Le chapitre 13 expliquera en détail le découpage par client. Pour l'instant, réutilisez cette recette fixe et ne consultez pas test_idx. Remplissez votre fiche avec les résultats que vous observez, sans chiffres prédéfinis :
import pandas as pd
from sklearn.model_selection import GroupShuffleSplit
df = pd.read_csv("data/colis_propres.csv")
split = GroupShuffleSplit(n_splits=1, test_size=0.2, random_state=42)
train_idx, test_idx = next(split.split(df, groups=df["client_id"]))
train = df.iloc[train_idx]
mediane = train["prix_eur"].median()
mae_descriptive = (train["prix_eur"] - mediane).abs().mean()
print("lignes, colonnes du train :", train.shape)
print("manquants train :\n", train.isna().sum())
print("médiane (euros) :", round(mediane, 2))
print("MAE descriptive (euros) :", round(mae_descriptive, 2))
Dans la fiche, distinguez ce constat descriptif d'une estimation de généralisation. L'atelier de régression réutilisera la même graine et le même découpage, puis jugera une seule fois sur test. Notez le fichier, les versions et les règles de nettoyage pour qu'un tiers puisse reproduire vos chiffres.