Aller au contenu principal

Bivariée

L’utilité bivariée mesure dans quelle mesure les relations entre paires de variables sont préservées dans le jeu de données transformé. Cette évaluation garantit que les dépendances statistiques clés, telles que les corrélations et l’information mutuelle, restent intactes après transformation des données.

La préservation de l’utilité bivariée est cruciale pour les analyses qui reposent sur les interactions entre variables, comme la modélisation prédictive, la sélection de caractéristiques et l’inférence statistique. Si les relations entre variables sont déformées, les analyses en aval peuvent aboutir à des conclusions erronées, affectant à la fois la précision statistique et la performance des modèles.

Exemple concret d’application​

Considérons un jeu de données contenant les variables âge et revenu. Dans le jeu de données original, on observe une corrélation positive : les individus plus âgés tendent à avoir des revenus plus élevés en raison de la progression de leur carrière.

Si le jeu de données transformé ne préserve pas cette corrélation — par exemple, en introduisant un bruit aléatoire qui affaiblit la relation ou en modifiant la distribution des revenus indépendamment de l’âge — cela pourrait induire en erreur des études économiques ou sociologiques. De même, des modèles entraînés sur les données transformées risquent de mal généraliser aux scénarios réels en raison de la perte d’interactions significatives entre variables.

Liste des métriques mesurant l’utilité bivariée​

Facteurs influençant l’utilité bivariée​

Plusieurs facteurs impactent la préservation des relations statistiques entre variables :

  • Dépendances non linéaires : Les mesures de corrélation traditionnelles comme le coefficient de Pearson ne capturent que les relations linéaires. Si le jeu de données contient des dépendances non linéaires, elles risquent de ne pas être bien préservées sauf si des techniques plus sophistiquées sont appliquées.
  • Variables catégorielles : Les relations entre variables catégorielles (par exemple, secteur d’activité et niveau d’éducation) peuvent être mal représentées par des métriques de corrélation standard et nécessitent un traitement spécifique.
  • Petites tailles d’échantillons : Avec un nombre limité d’observations, les estimations de corrélation et d’information mutuelle peuvent être instables, rendant plus difficile la conservation des structures bivariées.
  • Taux élevés de données manquantes : Si une variable d’une paire contient beaucoup de valeurs manquantes, les relations calculées peuvent être biaisées ou artificiellement affaiblies dans le jeu de données transformé.
  • Effets du feature engineering : Certaines techniques de transformation peuvent introduire des dépendances artificielles ou supprimer des relations subtiles mais significatives entre variables.

Comprendre ces facteurs est essentiel pour choisir les méthodes de transformation appropriées et garantir que le jeu de données conserve sa valeur analytique.