| # Modélisation de la consommation d'énergie renouvelable en France |
|
|
| Le modèle prend en compte les variables suivantes : |
| Temps : les années d'étude de la consommation (axe x) |
| All_Fossil : somme des énergies fossilles consommées par année |
| GDP_per_cap : PBI par année |
| Pourcentage : Score du parti écologique lors des élections présidentielles |
| |
| L'objectif est de prédire la consommation dans les années à venir. |
| |
| - ** Developed by: GEM_Groupe1 |
| - ** Model type: Regression |
| - ** Language(s): Python |
|
|
| ### Model Sources |
|
|
| - **Repository: model_factory/groupe1 |
| |
| ## Uses |
| |
| Prédiction de la consommation des énergies renouvelables dans un avenir proche. |
| |
| |
| ## Bias, Risks, and Limitations |
| |
| L'algorithme utilise les résultats des votes des présentielles en France, néanmoins en 2017 il n'y avait pas de parti écologique donc il y a un risque avec ces données. |
| |
| ## Training Details |
| |
| ### Training Data |
| |
| Les données d'entrées doivent être sous forme numérique. |
| |
| ### Training Procedure |
| |
| La fonction utilisée est : sm.OLS.from_formula |
| Le modèle est donc fit sur une formule quadratique. |
| |
| ## Evaluation |
| |
| Grace au summary, il est possible de connaitre la p-value et le R^2, qui sont des valeurs permettant l'évaluation du modèle. |
| |
| ### Results |
| |
| Le R^2 est de 0.671, ce qui veut dire que l'évolution de la consommation d'énergies renouvebles est expliqué à 67% par nos paramètres choisis en entrée du train. |
| Il est intéressant de noter que les votes pour le parti écologique sont à contre courant de l'évolution de la consommation. |
| |
| |
| |
| |
