Machine Learning · 7 000 participants · données synthétiques
Réseaux sociaux & santé mentale
Analysez 7 000 profils d'usage des réseaux sociaux pour prédire le bien-être mental. Trois notebooks progressifs : exploration des données, classification Random Forest, puis régression pour prédire le score d'anxiété.
PythonPandasNumPyMatplotlibSeabornscikit-learn
Gratuit · Sans compte·Intermédiaire·~2h30
Ce que vous allez construire
- ✓Une exploration structurée des habitudes numériques, du sommeil et des indicateurs de bien-être
- ✓Un dataset préparé pour le machine learning malgré des variables numériques, catégorielles et ordinales
- ✓Un problème de classification évalué au-delà de l'accuracy, en tenant compte du déséquilibre des groupes
- ✓Un problème de régression comparé à une baseline pour juger si le modèle apporte réellement de l'information
Déroulé du lab (3 notebooks)
01
Comprendre la population étudiée
Examiner les distributions, les catégories présentes et la qualité des informations disponibles.
02
Transformer les données sans perdre leur sens
Traiter les valeurs manquantes et représenter correctement chaque type de variable.
03
Explorer les relations
Comparer les groupes et utiliser les corrélations comme indices, sans les confondre avec des liens de causalité.
04
Classer les niveaux de bien-être
Construire une Random Forest, contrôler sa complexité et étudier ses erreurs malgré le déséquilibre des classes.
05
Prédire un score d'anxiété
Établir une baseline, entraîner un modèle de régression et confronter ses prédictions aux valeurs observées.
Compétences travaillées
- · Préparation de données hétérogènes
- · Encodage respectueux du type des variables
- · Analyse prudente des corrélations
- · Classification sur classes déséquilibrées
- · Régression et comparaison à une baseline
- · Interprétation de l'importance des variables
Prérequis
- · Bases Python (fonctions, listes, boucles)
- · Notions Pandas (DataFrame, colonnes)
- · Aucune installation : lab en ligne