Dans le secteur agricole, la capacité à prévoir avec précision le rendement d'une culture chaque année est essentielle pour améliorer l'efficacité, la rentabilité et la durabilité de l'exploitation. Plus la prévision du rendement est précoce, plus les ressources peuvent être allouées efficacement, la chaîne d'approvisionnement gérée, la récolte planifiée et la logistique de stockage optimisée.
L'un des défis actuels de la filière betteravière est le changement climatique, qui entraîne une variabilité accrue des rendements d'une année à l'autre. L'évolution rapide des conditions météorologiques rend les estimations de rendement moins prévisibles et, en fin de compte, augmente les coûts pour tous les acteurs de la filière.
L'exploitation de la puissance de l'analyse de données et de l'apprentissage automatique est un moyen d'améliorer la précision et la rapidité des prévisions de rendement. Un modèle prédictif a été développé sous JMP pour prédire les rendements de la betterave sucrière. L'ensemble du processus a été réalisé exclusivement dans JMP : collecte, nettoyage, prétraitement et analyse exploratoire des données, ingénierie des caractéristiques, sélection du modèle, entraînement, évaluation, optimisation, puis déploiement et maintenance.
Bonjour à tous. Nous sommes réunis aujourd'hui pour explorer JMP et ses applications en modélisation prédictive, notamment pour les rendements agricoles. Il est important de préciser que la méthode que je vais vous présenter ne se limite pas aux rendements agricoles ; elle est applicable à bien d'autres domaines. J'espère que ce tutoriel vous permettra de mettre en pratique ces méthodes vous-même. Je vous montrerai quelques astuces utiles dans JMP, particulièrement pour les rendements agricoles. Mais comme je l'ai dit, cette méthode est valable pour toute prédiction.
Je vais vous fournir un guide sommaire, agrémenté d'exemples, sur la création de modèles prédictifs dans JMP, notamment pour les rendements agricoles. Comme je l'ai mentionné, cette méthode est applicable à tout processus prédictif. Le problème spécifique ici est que des prévisions précoces et précises des rendements sont cruciales pour la prise de décision en agriculture. Or, la forte variabilité interannuelle du rendement et de la qualité de la betterave sucrière complique la tâche. Cette variabilité s'accroît d'ailleurs avec le temps, tant en fréquence qu'en intensité, rendant les prévisions plus difficiles. L'utilisation d'applications comme JMP, pour leurs capacités prédictives, est donc de plus en plus importante et nécessaire pour prévoir les rendements avec précision.
L'une des principales raisons de l'augmentation apparente des variations est le changement climatique. Comme nous le verrons, je souhaitais simplement vous donner un aperçu de la culture de la betterave sucrière. Que signifie exactement le terme « rendement » ? Prenons l'exemple d'une betterave sucrière ; deux aspects sont à considérer. Le premier est sa taille. Ici, le poids de la racine nettoyée est indiqué. Comme vous pouvez le constater, cette betterave présente encore de la terre. Une fois nettoyée, son poids constitue l'un des éléments du rendement.
Le deuxième facteur est la qualité, c'est-à-dire la concentration en sucre de la betterave. Ensuite, tout simplement, la concentration en sucre multipliée par la taille de la betterave correspond au rendement obtenu.
Comment prédire avec précision le rendement ? Avant toute chose, le principe reste le même quel que soit le secteur d'activité. Il s'agit de collecter un maximum de données sur un maximum de sites et d'années afin de constituer un vaste ensemble de données tabulaires intégrant le plus grand nombre possible de facteurs susceptibles d'influencer le rendement agricole, ainsi que les résultats et les valeurs de rendement que nous pourrons ensuite comparer. Nous créons ainsi un important ensemble de données historiques comprenant de nombreuses variables indépendantes, en plus de notre variable dépendante.
En agriculture, dans certains de ces exemples, il est essentiel de disposer de données sur le rendement, idéalement des données sur la santé des sols, les conditions météorologiques, les ravageurs et les maladies, les pratiques de gestion agricole, les variétés de semences, les données topographiques, les données de télédétection, etc. Plus les données sont nombreuses et de qualité, plus les prévisions de rendement sont précises et plus il est possible d'attribuer avec exactitude la variation du rendement à chacun de ces facteurs, et donc de discerner finement les variations entre ces variables.
En agriculture, de nombreuses variables peuvent influencer le rendement final. Il est quasiment impossible, voire impossible, de rassembler toutes les informations dans un seul jeu de données. L'objectif est donc de collecter un maximum de données afin d'obtenir une bonne prédiction du rendement. La première étape consiste à collecter toutes les données disponibles, à les regrouper dans un seul jeu de données, puis à les nettoyer et à les traiter. Ensuite, avec JMP, nous pouvons effectuer une analyse exploratoire des données, afin de découvrir les tendances et les schémas cachés au sein du jeu de données. À partir de là, nous pouvons identifier les prédicteurs les plus importants de la qualité et du rendement de la betterave sucrière. Enfin, nous pouvons construire des modèles prédictifs à partir de ces prédicteurs pour prévoir les rendements futurs.
Voici un aperçu rapide du processus dans JMP. La première étape est la collecte des données, et c'est en réalité l'étape la plus importante. Je ne saurais trop insister sur ce point. La qualité des données est primordiale. Un de mes mentors le répète souvent : « Si les données d'entrée sont mauvaises, les résultats le seront aussi. » Sans données de qualité, vous ne pourrez pas construire un bon modèle, aussi rigoureux soit votre processus. Il est donc essentiel de se concentrer sur l'obtention de données de très haute qualité.
Un avantage de l'agriculture réside dans le fait que les conditions météorologiques constituent une variable importante du rendement. Grâce aux technologies actuelles, nous disposons d'excellentes méthodes pour acquérir a posteriori des données météorologiques pour une parcelle, une région, etc. Il existe des technologies permettant d'extraire et d'utiliser avec une grande précision ces données provenant d'autres sources.
En matière d'agriculture, c'est un élément essentiel, car bien souvent, on compte sur le fait que l'entreprise partenaire ou l'entreprise elle-même dispose déjà de bonnes pratiques de gestion des données, qu'elle suit un maximum de variables importantes, collecte un maximum de données et les stocke correctement pour qu'elles soient facilement accessibles. Dans le cas contraire, la probabilité de construire un bon modèle prédictif est plus faible, et il peut falloir de nombreuses années pour collecter les données nécessaires à l'élaboration d'un modèle performant.
Vient ensuite le nettoyage des données, le prétraitement, l'ingénierie des caractéristiques, l'analyse exploratoire des données, la sélection du modèle, l'entraînement, l'optimisation et l'évaluation. Enfin, le déploiement du modèle, et éventuellement sa maintenance. La première étape consiste à collecter les données. Comme je l'ai dit, et c'est souvent le cas, les données sont stockées à différents endroits, dans différentes bases de données, voire dans différentes feuilles de calcul ; l'objectif de JMP est de les rassembler.
Dans ce cas précis, concernant les rendements agricoles, nous disposions de trois ensembles de données : des données d'échantillonnage en cours de saison, des données météorologiques et les données de rendement final. L'important est de trouver un point commun entre tous ces ensembles de données, comme nous le verrons dans un instant. Vous pourrez ensuite utiliser le générateur de requêtes JMP pour rassembler rapidement, facilement et précisément toutes ces sources de données en un seul endroit. Ici, le point commun était le numéro de contrat et l'année, ce qui nous a permis de combiner les données.
Passons directement à la première étape : le prétraitement des données. Selon vos données et l’analyse que vous souhaitez effectuer, vous n’en aurez peut-être pas besoin, mais la normalisation des données peut améliorer les performances de votre modèle. Voyons cela dans JMP. Voici la plateforme JMP et des données météorologiques. Si nous ouvrons le fichier et accédons à la distribution, nous y intégrons plusieurs variables météorologiques.
Maintenant, si nous regardons ici, et je vais élargir ce point, on constate que la distribution des précipitations présente une asymétrie négative. Or, avec des données non normalisées, le modèle peut rencontrer des difficultés. Il peut être plus difficile pour lui de discerner les relations dans des données asymétriques. Une solution consiste à normaliser les données. Prenons l'exemple des précipitations cumulées : ouvrez JMP et sélectionnez l'ensemble de données correspondant. Insérons une nouvelle colonne. Formule : la colonne en question est celle des précipitations.
Pour normaliser ces données, nous devons calculer la racine carrée, car elles présentent une asymétrie négative. Ajoutez-la à la formule de notre colonne. Cliquez sur Appliquer. Une nouvelle colonne apparaît. Renommons-la « Précipitations normalisées ». Revenons à la distribution et observons les deux colonnes ensemble. Ignorons ces données pour l'instant ; elles seront utilisées plus tard. Voici les données originales. Collons simplement les axes ici.
Comme vous pouvez le constater sur la distribution, les données originales présentent une asymétrie négative marquée. Après normalisation (extraction de la racine carrée), la modélisation sera grandement facilitée. Cependant, il est important de noter que lors de la présentation à un client, les précipitations, par exemple, sont facilement interprétables. Si vous lui montrez ensuite un modèle basé sur ces données (extraction de la racine carrée), cette dernière devient ininterprétable. Or, les clients souhaitent souvent des données claires et explicites. Il vous faudra donc, en fin de processus, potentiellement extraire la racine carrée inverse de ces valeurs afin de les rendre compréhensibles pour le client.
Bref, c'est une chose que nous pouvons faire. Revenons au diaporama. L'étape suivante consiste à nettoyer et formater les données, ce qui est souvent très utile. Nous pouvons commencer par le fractionnement des tableaux. Dans cet ensemble de données, vous remarquerez que nous avons différentes colonnes pour les précipitations, la température, la température minimale, la température maximale et une colonne pour le mois. Pour notre analyse, il n'est peut-être pas idéal d'avoir une colonne pour le mois et une colonne pour chaque variable de température. Nous pourrions inverser cela : allons dans « Tableaux », puis « Fractionner ». Nous voulons fractionner par mois. Nous voulons fractionner les données météorologiques et conserver toutes les autres colonnes.
Dans ce nouveau jeu de données, vous voyez, nous avons maintenant une colonne pour chaque mois, ce qui facilite grandement notre travail. Voyez, mois 1, mois 2. Nous avons donc une colonne par mois. C'est un premier point positif. Fermons cette fenêtre et gardons-la pour l'instant. L'étape suivante consiste à combiner les données, une fonctionnalité très pratique de JMP qui permet de fusionner rapidement deux jeux de données. Voyons cela rapidement.
Ici, vous voyez que nous avons ouvert les données météo. Nous venons de les séparer, et nous avons maintenant une deuxième table contenant l'identifiant du contrat, le rendement et le site. Nous souhaitons combiner ces données avec les données météo. Comment procéder ? Nous utilisons nos données de rendement, les tables et l'outil de création de requêtes. Nous avons ici les données de rendement. Nous voulons y intégrer les données météo. Vous pouvez déjà constater que JMP a identifié deux colonnes identiques à « JMP, identifiant du contrat », et c'est exactement ce que nous recherchons.
Ici, si ce n'était pas le cas, il faudrait souvent le supprimer. Cliquez sur la croix (X) pour le supprimer. Dans ce cas, nous n'en avons pas besoin. Vous pouvez ensuite ajouter votre propre ID de contrat. Nous allons l'identifier comme élément commun. Ensuite, nous choisissons le type de jointure souhaité. Il s'agit ici d'une requête SQL : une jointure externe gauche. Non, nous n'en voulons pas. Nous voulons uniquement une jointure interne, là où les données correspondent dans les deux ensembles de données. Construisons la requête. Nous pouvons ici ajouter toutes les colonnes, exécuter la requête, et nous obtenons un ensemble de données qui combine les deux tables. Voici les données de rendement. Voici toutes nos données météorologiques, que nous pouvons maintenant commencer à analyser.
L'étape suivante consiste à explorer les valeurs aberrantes. Dans un petit jeu de données, avec un nombre réduit de colonnes, il est très facile d'analyser rapidement ces valeurs dans JMP en important toutes les données à analyser. Prenons l'exemple d'une analyse de distribution. Souvent, il est très facile de repérer les valeurs aberrantes individuelles. Ici, nous avons clairement une valeur aberrante.
Cependant, dans un grand jeu de données comportant potentiellement des centaines de colonnes comme celui-ci, la méthode traditionnelle est trop chronophage. Avec JMP, nous pouvons plutôt utiliser l'outil d'analyse, de filtrage et d'exploration des valeurs aberrantes. Nous pouvons y ajouter toutes nos colonnes et lancer l'analyse des valeurs aberrantes. Prenons l'exemple de l'analyse des valeurs aberrantes par intervalle de quantile. Nous obtenons instantanément la liste de toutes les colonnes et le nombre de valeurs aberrantes identifiées par ce test. Il existe d'autres façons d'analyser ces valeurs aberrantes, mais celle-ci est particulièrement rapide. Nous pouvons ensuite sélectionner les valeurs aberrantes, les exclure ou les supprimer. Nous pouvons également les sélectionner et colorer les cellules pour les consulter ultérieurement. De nombreuses options sont disponibles. Cette méthode nous permet d'exclure très rapidement toutes les valeurs aberrantes, même dans les grands jeux de données.
L'étape suivante consiste à concevoir les caractéristiques, ce qui nous permettra d'améliorer les performances de notre futur modèle en lui fournissant de meilleures informations. Cela peut nécessiter une connaissance du domaine ou, à partir des résultats de votre analyse exploratoire des données, vous pouvez avoir l'intuition que la combinaison de certaines colonnes d'une certaine manière peut améliorer la capacité de prédiction. Dans cet exemple, nous pourrions vouloir créer une caractéristique représentant les précipitations estivales dans les moulins. Comment procéder ?
Pour faire simple, revenons à JMP. Voici notre jeu de données ; ajoutons une nouvelle colonne, que nous appellerons « Pluviométrie estivale (millimètres) ». Dans la formule, accédons à la colonne « Pluviométrie estivale ». Dans l'onglet « Statistiques », nous pouvons facilement calculer la moyenne et y intégrer les variables souhaitées. Nous avons maintenant une caractéristique, « Informations estivales », comme vous pouvez le constater. Il s'agit des données à routage carré que nous avions précédemment. L'ingénierie des caractéristiques est une approche à privilégier pour améliorer la capacité prédictive du modèle en intégrant des caractéristiques qui augmentent la prédictibilité des données.
Voici d'autres possibilités offertes par l'analyse exploratoire des données. Le filtrage des réponses et le filtrage des prédicteurs sont d'excellents outils de JMP. Nous n'aborderons pas le filtrage des réponses ici, car le principe est le même que pour le filtrage des prédicteurs. Le filtrage des réponses examine les variables individuelles à l'aide d'une analyse de type Y x X, permettant ainsi d'étudier l'influence de chaque variable indépendante sur la variable dépendante.
Nous allons maintenant examiner plus en détail le filtrage des prédicteurs. C'est un outil très performant pour identifier les tendances cachées dans les grands ensembles de données. Dans JMP, sous « Analyse », nous accédons à « Sélection », puis à « Sélection des prédicteurs ». Ce processus utilise l'apprentissage automatique par forêt aléatoire. L'objectif est de déterminer les prédicteurs les plus importants de notre réponse, le rendement, et pourquoi. L'analyse révèle notamment l'importance du site. Nous souhaitons inclure autant de variables que possible, dans l'ensemble de nos données.
Ce ne sont que des données d'exemple, alors ne nous attendons à rien de concluant. Pour gagner du temps, nous pouvons les exécuter en parallèle. Il suffit de les saisir ici. Nous pouvons lancer cette analyse, et ce que nous allons observer, c'est que, en arrière-plan, la forêt bootstrap va s'exécuter et nous allons examiner les prédicteurs les plus importants du rendement. Comme vous pouvez le constater, d'après cette analyse, il faut rester prudent car il s'agit littéralement de données d'exemple. Il faut donc prendre les résultats avec des pincettes. Vous pouvez voir ici que le prédicteur le plus important du rendement dans ce cas est le site. Nous avons trois sites différents et une température minimale de 11.
À partir de là, nous pouvons identifier des variables importantes que nous souhaiterons inclure ultérieurement dans notre modèle. Nous pouvons les sélectionner et les copier. Nous pourrions les utiliser plus tard. Le filtrage des prédicteurs est une excellente plateforme pour identifier rapidement les prédicteurs les plus importants dans un ensemble de données, en fonction de la variable réponse donnée.
Maintenant que nous avons identifié les prédicteurs, nous pouvons rapidement procéder à une analyse en composantes principales (ACP). Nous intégrons les variables que nous venons d'isoler et qui pourraient être des prédicteurs importants du rendement, ainsi que le rendement lui-même. Nous lançons l'analyse, puis supprimons les étiquettes. Le résultat obtenu nous fournit rapidement de nombreuses informations sur l'ensemble de données. Même dans un ensemble de données complexe, nous pouvons identifier plus facilement les relations qui existent.
On observe ici une forte corrélation entre ces deux colonnes : la première, « Terme maximal du sol 4 », et la seconde, « Température maximale 4 ». Lorsque ces valeurs sont très élevées, on observe également un faible rayonnement global. En revanche, lorsqu'elles forment un angle droit, on constate l'absence de corrélation entre ces variables.
Concernant la modélisation, l'intérêt réside dans la forte corrélation positive entre les deux variables « température maximale du sol 2 » et « température maximale 2 ». Sans surprise, il est peu probable que l'utilisation simultanée de ces deux variables apporte des informations supplémentaires à notre modèle. Nous pouvons donc en sélectionner une et exclure l'autre. Nous procédons de la même manière ici, afin d'affiner notre modèle. L'analyse en composantes principales (ACP) est également un outil très pratique pour ce faire.
Revenons à la présentation. Sélection de modèles. Nous avons maintenant nos variables importantes. Nous souhaitons déterminer le modèle le plus adapté. Il suffit de retourner dans JMP, puis de sélectionner « Sélection », « Non-sélection », « Modélisation prédictive », puis « Sélection de modèles ». Ouvrez la plateforme JMP et collez-y les variables importantes identifiées précédemment. Indiquez ensuite le résultat attendu. Vous pouvez choisir tous les modèles à comparer. Enfin, et c'est très important, dans tous les cas, il est possible de paramétrer les valeurs initiales aléatoires pour garantir la reproductibilité.
Si vous souhaitez revenir à ce sujet plus tard, et que vous n'avez pas saisi de valeur aléatoire, vous risquez d'obtenir des résultats différents. En revanche, si nous saisissons ici une valeur aléatoire (1, 2, 3, etc.), les résultats seront toujours reproductibles. Nous pourrons alors examiner toutes ces options. Nous pouvons déjà intégrer la fonction permettant à JMP de créer une colonne de validation. Nous pouvons ajouter différentes variables quadratiques. Je ne lancerai pas cette opération aujourd'hui car elle peut prendre un certain temps, mais nous pourrons ensuite choisir, en fonction de différents indicateurs, le modèle le plus performant, généralement basé sur le RSC et le R² du modèle. La plateforme offre également d'autres options. C'est un autre outil performant pour trouver le modèle qui correspond le mieux à nos données.
L'étape suivante est la validation. Elle contribuera à l'entraînement du modèle. Il est essentiel de s'assurer que le jeu de données n'est pas surajusté. Nous pouvons créer très rapidement des colonnes de validation dans JMP, et je vais vous montrer comment procéder. Voici notre jeu de données. Nous allons dans Analyser, Modélisation prédictive, Créer une colonne de validation. Ici, vous avez la possibilité de stratifier les données en fonction d'une colonne.
Dans cet exemple, notre jeu de données contient des données provenant de trois sites. Nous souhaitons stratifier les données par site, car nous allons prochainement répartir les colonnes et attribuer aléatoirement les valeurs 1, 2 ou 3. Sans cette stratification, un nombre inégal de sites (et donc de lignes) dans le jeu de données peut entraîner un biais disproportionné, affectant ainsi le modèle.
Il est important de réfléchir aux colonnes à stratifier dans votre jeu de données. Nous pouvons alors créer rapidement plusieurs jeux de données, avec différentes options de répartition : 70 % pour l’entraînement, 20 % pour la validation et 10 % pour les tests.
Vous pouvez maintenant voir ici les taux ajustés et le nombre de lignes que vous obtiendrez. Il est important de tenir compte de la taille de votre jeu de données pour déterminer si vous allez utiliser des ensembles d'entraînement, de validation et de test, ou seulement d'entraînement et de validation, et quelle répartition effectuer. Ces valeurs peuvent varier légèrement en fonction de votre jeu de données.
À partir de là, poursuivez. Comme vous pouvez le constater, nous avons rapidement créé une colonne de validation, ce qui nous permet, lors de la construction de notre modèle, d'ajouter cette colonne. Autre point important : comme vous pouvez le voir à droite, il s'agit d'un modèle d'arbre de décision boosté. Il est essentiel d'optimiser le modèle en ajustant le nombre de divisions, le taux d'apprentissage, le nombre minimal de divisions, etc. Vous pouvez également utiliser un tableau de conception d'optimisation. Prenez le temps d'essayer différentes options afin d'obtenir les meilleures performances en termes d'erreur et de coefficient de détermination (R²).
Cependant, JMP propose souvent des valeurs recommandées en fonction des données utilisées, et je les ai trouvées très précises et souvent les plus performantes, même en testant d'autres options. C'est un point important à prendre en compte.
Passons maintenant à l'évaluation du modèle. Comme je l'ai dit, voici le R² et l'erreur quadratique moyenne (RMSE). Nous allons examiner différentes méthodes pour évaluer les performances du modèle. Si nous retournons dans JMP, voici le modèle que nous venons de créer. Ici, nous pouvons accéder au profilage des facteurs, puis au profileur. Il est déjà activé. Voici notre modèle, notre profileur, et une action très rapide : enregistrer les colonnes. Nous obtenons ainsi la formule de prédiction.
La formule qui s'exécute en arrière-plan pour effectuer les prédictions sera stockée dans une colonne de l'ensemble de données. C'est fait. Accédez à notre ensemble de données. Vous pouvez voir ici les valeurs prédites pour notre rendement. Nous pouvons maintenant analyser l'ajustement de Y à X. Il existe plusieurs façons de procéder dans JMP. Ceci n'en est qu'une parmi d'autres. Notre réponse était le rendement. Nous descendons ici. Nous obtenons une valeur prédite pour X. OK. Ce n'est pas un très bon modèle, comme nous pouvons le constater. Nous pouvons ajuster une droite à partir de cette droite, nous pouvons accéder à cet ajustement. Profiler. Nous avons maintenant cette plateforme ici, et nous pouvons voir notre prédiction pour le rendement.
Supposons que nous atteignions la valeur cible, mais ne prenons pas cette valeur. Prenons plutôt 50. On peut se demander : « Si nous prévoyons 50, quelle est la valeur réelle probable ? » 49,694. Nous surestimons. On obtient alors instantanément deux valeurs très utiles : la borne inférieure et la borne supérieure de l’intervalle de confiance à 95 %. C’est une façon parmi d’autres d’évaluer la précision des prédictions de votre modèle en temps réel avec des jeux de données. C’est un outil très précieux dans ce cas.
Passons maintenant au déploiement du modèle. Notre profileur comporte des composants très performants, particulièrement utiles pour les rendements agricoles. Il permet également à quiconque souhaite effectuer des prédictions futures, en tenant compte de divers facteurs intervenant à différentes périodes de l'année, d'utiliser le simulateur de modèle pour prévoir différents scénarios possibles, comme je vais vous le montrer.
Supposons que nous ayons notre modèle. Passons au Profiler. Comment pouvons-nous l'utiliser en agriculture ? Ici, nous avons trois sites différents. Différentes variables sont enregistrées à différents moments de l'année. Allons dans le Simulateur. Nous pouvons toutes les paramétrer en mode aléatoire. Un nombre est… Si nous maintenons la touche Maj enfoncée, puis cliquons, Maj, puis Ctrl. Voilà. Maintenir Ctrl enfoncé, cliquer, puis sélectionner Aléatoire.
Vous voyez, nous avons maintenant la possibilité de… simplement réduire un peu la taille de l'échantillon. Nous avons également la possibilité de générer aléatoirement des simulations du modèle ci-dessous. Nombre de simulations : 10 000. Nous pouvons modifier ce nombre à votre convenance. Prenons 10 000. Vous avez la possibilité d'ajouter du bruit. Imaginons que nous soyons au mois de mars. Certaines de ces variables sont antérieures à mars. En mars, nous pouvons donc évaluer…
Le rayonnement global cumulé en mars était en réalité de 60 000. Nous fixons cette valeur, et laissons toutes les autres aléatoires, puis nous effectuons 10 000 itérations du modèle en utilisant la moyenne et l'écart type. Nous allons générer davantage de valeurs autour de la moyenne et moins aux extrêmes. En procédant ainsi, nous pouvons simuler les données dans un tableau et créer un vaste ensemble de données. Nous pouvons également, ce qui peut s'avérer très utile, explorer différents scénarios. Prenons l'exemple d'une distribution normale censurée. Nous souhaitons exclure certaines parties de l'ensemble de données : ici, les valeurs inférieures à 20 et supérieures à 30.
Vous voyez, nous avons censuré la distribution. Nous éliminons toute possibilité d'atteindre ces valeurs extrêmes. Nous pouvons aller encore plus loin. Nous pouvons supprimer des données et explorer différents scénarios, puis les simuler. Nous avons maintenant tous les résultats possibles. Créons un tableau. À partir de là, analysons la distribution. Nous pouvons ajouter le rendement. Voilà. Nous avons maintenant les valeurs générées par notre modèle pour ces 10 000 simulations.
Vous pouvez maintenant observer la moyenne (53) et la médiane (52,96). Le scénario le plus probable, compte tenu des valeurs saisies, se situe autour de 53. La probabilité est clairement affichée ici. Vous pouvez copier cette colonne, la coller où vous le souhaitez comme résultat et commencer à tracer des graphiques pour différents résultats en fonction des différentes entrées du modèle. Ceci est très utile pour prévoir les rendements futurs selon différents scénarios météorologiques estivaux et pour s'assurer que tous les scénarios possibles sont pris en compte dans l'analyse. Revenons à notre fichier Excel.
Pour résumer, JMP est une plateforme tout-en-un permettant de créer des modèles prédictifs. Nous avons présenté ici quelques exemples d'applications dans le secteur agricole. Cependant, ce processus est applicable à tout cas d'utilisation nécessitant des prédictions. Il permet aux entreprises disposant d'immenses ensembles de données sous-exploités de les combiner, de les explorer et de révéler les tendances cachées, facilitant ainsi la prise de décision basée sur les données. Un point essentiel : la qualité et la quantité des données nécessaires à la création d'un modèle performant sont indispensables. J'espère que ces informations vous ont été utiles. N'hésitez pas à me contacter si vous avez des questions. C'est tout. Merci.
