User Tools

Site Tools


bandres_thomas:solution_homework2

Table of Contents

Correction

Critères & points attribués (/10)
Rappel du contexte 4
Résultats 7
Qualité du code (commentaires, structures utilisées, …) 8
Animation et visualisation 6
Explication en dehors du code 7
Total (/50) 32

B.P. : Pas de rappel du contexte et du fonctionnement de l'algorithme. Tentative d'analyse des clusters obtenus. Les images sont difficiles à lire. Comment les points sont-ils placés (scatterplot prix/poids ?) ?

Compte-rendu

cure.zip

(Malheureusement je n'ai pas trouvé de binome pour ce projet, je suis donc seul.)
L'algorithme tourne en min 15 sec sans les prints, 30/40 sec avec.

J'ai choisis de comparer les dimensions suivantes :

  1. Le prix
  2. Le poids

La question que je me suis posée était :
Le prix d'une voiture est-il corrélé à son poids?

Idée: Plus une voiture est lourde, plus elle est chère.
Une voiture lourde est probablement une voiture grande/spacieuse, chargée en équipement, nécessitant plus de matériaux pour sa construction. Une voiture lourde serait donc une voiture chère, en général.

Paramètre de l'algorithme : 6 clusters, 4 points représentatifs par cluster, coefficient α à 0.3.


Avant clustering :


Apres clustering :


Les voitures sont réparties telles que suit : clusters.odt

Analyse des résultats :

Parmis les 6 clusters produits, on observe pour commencer 3 clusters assez écartés des autres.

  • On remarque en premier lieu un outlier flagrant, le point couleur saumon tout à droite.Il s'agit de la porsche Porsche 911 GT2 2dr, qui forme un cluster à elle toute seule par ses caractéristiques peu communes, en particulier son prix qui se détache de toutes les autres voitures (>190k) de la liste. Il s'agit donc du cluster “voiture de luxe” avec un seul représentant.
  • Ensuite, peut voir un petit cluster constitué de trois points verts. Elles forment un cluster “voitures très haut de gamme (>120k)” et lourdes. Mais ce dernier point semble être moins déterminant du cluster.
  • Le troisème cluster a présenter des caractérisques qui se détachent des autres est le cluster des points bleues. Il correspond aux “voitures très lourdes”. On remarque que ces voitures sont en général plutôt chères, entre 50k et 70k.

Les 3 autres clusters constituent les voitures moins “hors-normes”, plus communes. C'est donc plutôt sur ces clusters que l'ont peu tester l'idée émise.

  • Les points oranges correspondent au cluster des “voitures haut de gammes” (>70k). Ce sont des voitures au poids moyen, mais surtout le prix qui semble être le facteur dominant de ce cluster.
  • Le plus grand cluster parmis les 6 est celui composée des points rouges. Il s'agit de voitures dont les caractéristiques, tant prix que poids, sont partagées dans leur aspect “commun”. Ce serait les “voitures au prix faible-moyen, au poids faible-moyen”, ou “voitures prix/poids commun”.
  • Le cluster constitué des points violets est le cluster qui vient le plus s'opposer à l'hypothèse émise. Il s'agit des “voitures lourdes, prix moyen+”, et comme on peut le voir, il compte un nombre de voitures plutôt important (50/387), mais le prix, même s'il n'est jamais faible, n'est pas aussi conséquent que le poids.

L'idée émise n'est pas être totalement mauvaise.
+ Une voiture lourde est rarement peu chère et une voiture légère est rarement très cher.
- Un grand nombre de voiture sont assez lourdes, jusqu'a 2x plus que d'autres, sans pour autant couter plus chères que ces voitures là (ou alors de peu).

/net/html/perso/melancon/Visual_Analytics_Course/data/pages/bandres_thomas/solution_homework2.txt · Last modified: 2014/01/08 11:56 by bpinaud