babblers_model.qmd

---
title: "Challenge modélisation"
author: "___"
date: "`r Sys.Date()`"
format:
  html:
    code-fold: true
    code-tools: true
    toc: true
editor: visual
lang: fr
---

<!--# Ne fonctionne pas bien car si on modélise une autre variable, réduit les données, utilise Feeding aussi comme prédicteur, cherche totalement au hasard tout et n'importe quoi... on fini par optimiser l'AIC, et ce, sans même regarder ce qu'il y a dans le tableau résumé, et donc, sans restreindre aux varaibles significatives !!!! -> ajouter des garde-fous. -->

<!--% Indiquez votre login GitHub ci-dessous (remplacer "login" par votre propre login Github sans rien changer d'autre). -->

```{r authors_logins, echo=FALSE}
authors_logins <- "login"
```

<!--% Donner un nom à votre modèle ici (remplacez "modele1" par le nom de votre modèle sans rien changer d'autre). N'OUBLIEZ PAS DE MODIFIER CE NOM A CHAQUE NOUVELLE ITERATION et utilisez uniquement des lettres a-z, A-Z, des chiffres 0-9, un trait souligné (_) ou un signe moins (-). -->

```{r model_name, echo=FALSE}
model_name <- "modele1"
```

<!--% Ne modifiez rien dans le chunk ci-dessous. -->

```{r setup, echo=FALSE,include=FALSE}
SciViews::R("model", lang = "fr")

# Nom du dépôt
repos <- sub("\\.git$", "", basename(git2r::remote_url()))
# Importation du jeu de données
babblers <- read("data/babblers.rds")
```

## Résumé

<!--% Décrivez ici en une courte phrase, les options mises en œuvre dans votre modèle. -->

## Description des données

<!--% Effectuez ici les statistiques descriptives qui vous sont nécessaires pour appréhender les données, sans toutefois vous éterniser trop dessus (10min max). -->

## Modèle

<!--% Placez ici le code qui génère votre modèle et commentez-le brièvement. APPELEZ TOUJOURS VOTRE MODELE `my_model`, c'est très important ! -->

```{r model}
my_model <- ___
```

<!--% Effectuez ci-dessous toutes les analyses complémentaires que vous jugez utiles pour vérifier votre modèle et commentez-les (ci-dessous seulement un exemple de tableau et de graphique). -->

```{r diagnostic}
summary(my_model) |> tabularise()
```

Le critère d'Akaike pour ce modèle est :

```{r aic}
AIC(my_model)
```

En voici l'analyse des résidus :

```{r residuals, error=TRUE}
# Note : l'analyse des résidus n'est pas pertinente pour tous les modèles
# le code est protégé en cas d'erreur, mais c'est à vous de déterminer
# si cette analyse est pertinente pour votre modèle
try(chart$residuals(my_model))
```

## Test et soumission de votre proposition

<!--% Pour utiliser votre modèle afin de prédire le nourrissage des oisillons et enregistrer les résultats dans `results/<repos>__<model_name>.rds`, exécutez le chunk suivant SANS LE MODIFIER. Ensuite soumettez vos résultats qui sont dans ce fichier à partir de l'app Shiny <https://sdd.umons.ac.be/B05Ca_models/> (voir aussi dans le cours en ligne à la section correspondante). -->

```{r results}
results <- AIC(my_model)
if (!is.null(results) || is.numeric(results) || is.finite(results)) {
  res_file <- glue::glue("{repos}__{model_name}.rds")
  write$rds(results, fs::path("results", res_file))
  message("Soumettre : results/", res_file)
} else {
  message("Votre modèle ne permet pas d'obtenir un critère d'Akaike valide !")
}
```