Retirer la fuite spectaculaire
L’automutilation est retirée des prédicteurs car elle recouvre le phénomène cible.
Compromis: La performance en validation croisée chute, mais le signal restant est plus honnête et utile.
Tous les projets
Produit data · Modélisation honnête
Mental Health Viz — analyse mondiale reproductible
Un projet reproductible d’analyse de santé mentale qui rend les limites du modèle aussi visibles que ses résultats.
01
Le problème
Les données mondiales de santé mentale peuvent produire des modèles convaincants mais trompeurs lorsque fuite de cible, différences de sources et incertitude sont masquées par une visualisation soignée.
Contraintes
- Les données OMS, IHME et Banque mondiale ont des définitions et couvertures différentes.
- L’expérience doit rester pédagogique et explicitement non clinique.
- Les prédictions doivent inclure incertitude et contrôles de fuite, pas un chiffre unique présenté comme certain.
02
Ma contribution
- Construction du pipeline de données, de l’analyse exploratoire, des modèles, du prédicteur calibré et de la présentation bilingue.
- Documentation de la fuite puis reconstruction sur des covariables indépendantes, sans masquer la baisse de performance.
03
Décisions techniques
Montrer l’incertitude calibrée
Des intervalles conformes par découpage accompagnent la prédiction plutôt qu’une estimation ponctuelle seule.
Compromis: Les intervalles sont moins simples visuellement, mais communiquent les limites de l’estimation.
04
Résultats vérifiables
- Le site bilingue en ligne réunit prédicteur, tableaux de bord, méthode et limites.
- L’analyse documentée montre l’effet du retrait de la variable circulaire sur la validation.
- L’accord OMS/IHME et l’incertitude restent inspectables plutôt que réduits à des affirmations marketing.
05
Preuves produit
a4aece9e
a4aece9eTableau de bord analytique
Vue du tableau de bord issue de la documentation du projet.
Voir la preuve
a4aece9ePrédicteur par pays
Estimateur pédagogique avec avertissement non clinique et contexte d’incertitude.
Voir la preuve06
Ce que j’ai appris
- Un modèle honnête plus faible est plus crédible qu’un modèle circulaire performant.
- La méthode et les avertissements appartiennent à l’interface principale, pas aux petites lignes.
07
Ce que je changerais
- Concevoir le contrat de données inter-sources avant les versions successives d’analyse.
- Générer automatiquement une fiche de données pour chaque instantané publié.