{"id":4679,"date":"2026-08-13T14:50:31","date_gmt":"2026-08-13T12:50:31","guid":{"rendered":"https:\/\/ellistat.com\/?post_type=guide-dutilisateur&p=4679"},"modified":"2026-08-13T14:50:31","modified_gmt":"2026-08-13T12:50:31","slug":"construire-un-modele","status":"publish","type":"guide-dutilisateur","link":"https:\/\/ellistat.com\/es\/guide-dutilisateur\/construire-un-modele\/","title":{"rendered":"Crear un modelo"},"content":{"rendered":"

1. Le mod\u00e8le Machine Learning et sa grille<\/h2>\n\n\n\n
\"\"<\/figure>\n\n\n\n

Un projet contient autant de mod\u00e8les<\/strong> que n\u00e9cessaire, pr\u00e9sent\u00e9s en onglets en haut de page, avec un \u00ab + \u00bb pour en cr\u00e9er un nouveau. Chaque mod\u00e8le porte un nom et d\u00e9signe la grille<\/strong> qu\u2019il exploite, choisie juste sous son nom.<\/p>\n\n\n\n

\u26a0\ufe0f Changer la grille d\u2019un mod\u00e8le remet \u00e0 z\u00e9ro ses X, son Y et ses lignes de test<\/strong>. C\u2019est voulu : les colonnes d\u2019une autre grille n\u2019ont aucune raison de correspondre. Pour comparer deux jeux de donn\u00e9es, cr\u00e9ez deux mod\u00e8les.<\/p>\n\n\n\n

2. Choisir les X et le Y<\/h2>\n\n\n\n

Le tableau de gauche liste les colonnes de la grille avec deux colonnes de cases \u00e0 cocher,\u00a0X<\/strong>\u00a0y\u00a0Y<\/strong>.<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n
    \n
  • Y<\/strong>\u00a0est la r\u00e9ponse \u00e0 pr\u00e9dire. La cocher\u00a0nomme le mod\u00e8le<\/strong>\u00a0d\u2019apr\u00e8s elle et\u00a0choisit d\u2019embl\u00e9e le type de mod\u00e8le<\/strong>\u00a0: r\u00e9gression lin\u00e9aire si Y est quantitatif, r\u00e9gression logistique s\u2019il est qualitatif. <\/li>\n\n\n\n
  • X<\/strong>\u00a0sont les facteurs explicatifs.<\/li>\n<\/ul>\n\n\n\n

    Trois r\u00e8gles de s\u00e9lection qu\u2019il vaut mieux conna\u00eetre :<\/p>\n\n\n\n

      \n
    • une colonne\u00a0constante<\/strong>\u00a0ne peut pas \u00eatre X : sa case est d\u00e9sactiv\u00e9e car sans variation, aucun effet n\u2019est estimable ; <\/li>\n\n\n\n
    • seules les colonnes de\u00a0r\u00e9p\u00e9tition 1<\/strong>\u00a0sont propos\u00e9es en X ; <\/li>\n\n\n\n
    • une m\u00eame colonne ne peut pas \u00eatre X et Y : cocher l\u2019une d\u00e9coche l\u2019autre.<\/li>\n<\/ul>\n\n\n\n

      3. Choisir le type de mod\u00e8le<\/h2>\n\n\n\n

      La liste des types d\u00e9pend de la nature de Y.<\/p>\n\n\n\n

      \"\"<\/figure>\n\n\n\n

      Y quantitatif<\/strong><\/p>\n\n\n\n

      Tipo<\/strong><\/td>Ce qu\u2019il apporte<\/strong><\/td><\/tr><\/thead>
      R\u00e9gression lin\u00e9aire<\/strong><\/td>Le mod\u00e8le de r\u00e9f\u00e9rence : coefficients lisibles, p-values, R\u00b2. C\u2019est celui qu\u2019on utilise pour entender<\/em>.<\/td><\/tr>
      R\u00e9gression PLS<\/strong><\/td>Pour des X nombreux et corr\u00e9l\u00e9s entre eux, l\u00e0 o\u00f9 la r\u00e9gression classique devient instable.<\/td><\/tr>
      R\u00e9gression K-OPLS<\/strong><\/td>Version \u00e0 noyau de la PLS : capte des relations non lin\u00e9aires.<\/td><\/tr>
      Proceso gaussiano<\/strong><\/td>Interpolation souple avec intervalo de confianza<\/strong> en chaque point. Excellent sur peu de donn\u00e9es.<\/td><\/tr>
      R\u00e9seau de neurones<\/strong><\/td>Perceptron multicouche : relations tr\u00e8s non lin\u00e9aires, au prix de l\u2019interpr\u00e9tabilit\u00e9.<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n

      Y qualitatif<\/strong>\u00a0= on ne pr\u00e9dit plus une valeur mais une\u00a0classe<\/strong>\u00a0:<\/p>\n\n\n\n

      Tipo<\/strong><\/td>Ce qu\u2019il apporte<\/strong><\/td><\/tr><\/thead>
      Regresi\u00f3n log\u00edstica<\/strong><\/td>Coefficients et p-values, comme la r\u00e9gression lin\u00e9aire. Le mod\u00e8le de r\u00e9f\u00e9rence pour classer.<\/td><\/tr>
      Arbre de d\u00e9cision<\/strong><\/td>R\u00e8gles lisibles, directement transposables en consigne d\u2019atelier.<\/td><\/tr>
      For\u00eat al\u00e9atoire<\/strong><\/td>Ensemble d\u2019arbres : plus pr\u00e9cis, moins lisible.<\/td><\/tr>
      (SVM) Support Vector Machine<\/strong><\/td>Fronti\u00e8res de s\u00e9paration complexes.<\/td><\/tr>
      (KNN) K plus proches voisins<\/strong><\/td>Classement par ressemblance aux cas connus.<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n

      Deux types disparaissent d\u2019eux-m\u00eames quand ils ne s\u2019appliquent pas :<\/p>\n\n\n\n

        \n
      • el\u00a0processus gaussien<\/strong>\u00a0exige des X\u00a0tous quantitatifs<\/strong>\u00a0et au plus\u00a050 lignes<\/strong>\u00a0d\u2019apprentissage, au-del\u00e0, son co\u00fbt de calcul explose ; <\/li>\n\n\n\n
      • la\u00a0r\u00e9gression K-OPLS<\/strong>\u00a0dispara\u00eet sur les grandes grilles (au-del\u00e0 de 2 000 valeurs sur les colonnes s\u00e9lectionn\u00e9es).<\/li>\n<\/ul>\n\n\n\n

        \ud83d\udca1 Commencer toujours<\/strong> par la r\u00e9gression lin\u00e9aire ou logistique, m\u00eame si l\u2019on soup\u00e7onne du non-lin\u00e9aire. Elle donne des p-values, un R\u00b2 et des coefficients interpr\u00e9tables : de quoi savoir quels<\/em> facteurs comptent. Les mod\u00e8les plus souples pr\u00e9disent parfois mieux, mais ils ne r\u00e9pondent pas \u00e0 la question \u00ab sur quoi doit-on agir ? \u00bb.<\/p>\n\n\n\n

        4. Les options<\/h2>\n\n\n\n
        \"\"<\/figure>\n\n\n\n

        Sous le type de mod\u00e8le, la section\u00a0Options<\/strong>\u00a0expose les r\u00e9glages propres au type choisi (profondeur maximale et nombre minimal d\u2019individus par feuille pour un arbre, nombre d\u2019arbres et part de variables pour une for\u00eat, gamma et cost pour un SVM, taux d\u2019apprentissage, nombre d\u2019\u00e9poques, r\u00e9gularisation et taille de couche cach\u00e9e pour un r\u00e9seau de neurones, nombre de composantes pour la PLS).<\/p>\n\n\n\n

        \u26a0\ufe0f Ces r\u00e9glages ont des valeurs par d\u00e9faut raisonnables. Les modifier sans m\u00e9thode conduit \u00e0 surajuster<\/strong> : un mod\u00e8le qui reproduit parfaitement les donn\u00e9es d\u2019apprentissage et se trompe sur toute nouvelle pi\u00e8ce. C\u2019est l\u2019onglet Mod\u00e8le\/Observation<\/strong> et les lignes de test qui disent si vous avez gagn\u00e9 ou perdu.<\/p>\n\n\n\n

        5. Les termes du mod\u00e8le<\/h2>\n\n\n\n

        Sur une r\u00e9gression, l\u2019onglet\u00a0Coefficients<\/strong>\u00a0ne fait pas que lire le mod\u00e8le : c\u2019est l\u00e0 qu\u2019on le\u00a0compose<\/strong>. Un s\u00e9lecteur de termes permet d\u2019ajouter aux effets principaux :<\/p>\n\n\n\n

        \"\"<\/figure>\n\n\n\n
          \n
        • los\u00a0termes quadratiques<\/strong>\u00a0: le carr\u00e9 d\u2019un facteur, pour capter une courbure. R\u00e9serv\u00e9s aux facteurs quantitatifs \u00e0 plus de deux niveaux : sur deux niveaux, un carr\u00e9 ne se distingue pas de la constante ;<\/li>\n\n\n\n
        • los\u00a0interacciones<\/strong>\u00a0: le produit de deux facteurs ; <\/li>\n\n\n\n
        • la\u00a0constante<\/strong>, qu\u2019on peut \u00e9ventuellement retirer du mod\u00e8le.<\/li>\n<\/ul>\n\n\n\n

          Le tableau des coefficients donne, terme par terme : le\u00a0coefficient<\/strong>, l\u2019erreur standard<\/strong>, la\u00a0estad\u00edstica<\/strong>, la\u00a0p value<\/strong>, la conclusion\u00a0significatif<\/strong>\u00a0y el\u00a0VIF<\/strong>. Au-dessus figurent l\u2019erreur standard du mod\u00e8le, le\u00a0n (ddl)<\/strong>el\u00a0R\u00b2<\/strong>\u00a0y el\u00a0R\u00b2 ajust\u00e9<\/strong>, ainsi que la\u00a0droite du mod\u00e8le<\/strong>, l\u2019\u00e9quation compl\u00e8te, copiable.<\/p>\n\n\n\n

          \"\"<\/figure>\n\n\n\n

          \ud83d\udca1 Le\u00a0VIF<\/strong>\u00a0est le garde-fou qu\u2019on oublie. Il mesure \u00e0 quel point un terme est redondant avec les autres. Un VIF \u00e9lev\u00e9 signifie que le coefficient affich\u00e9 n\u2019est pas fiable, non pas que le facteur n\u2019agit pas, mais que les donn\u00e9es ne permettent pas de s\u00e9parer son effet de celui d\u2019un autre. Sur des donn\u00e9es d\u2019observation, c\u2019est fr\u00e9quent ; sur un plan d\u2019exp\u00e9riences bien construit, cela ne doit pas arriver.<\/p>\n\n\n\n

          On peut supprimer un terme soit en l\u2019\u00e9liminant du tableau des termes du mod\u00e8le soit en cliquant sur \u00ab supprimer \u00bb<\/p>\n\n\n\n

          L\u2019analyse automatique<\/strong> propose deux strat\u00e9gies de s\u00e9lection de termes :<\/p>\n\n\n\n

            \n
          • Vers l\u2019avant<\/strong>\u00a0: partir du mod\u00e8le vide et ajouter les termes utiles un \u00e0 un ; <\/li>\n\n\n\n
          • En arri\u00e8re<\/strong>\u00a0: partir du mod\u00e8le complet et retirer les termes inutiles.<\/li>\n<\/ul>\n\n\n\n

            El bot\u00f3n Meilleur sous-ensemble<\/strong> va plus loin : il \u00e9num\u00e8re les combinaisons de termes jusqu\u2019\u00e0 un nombre maxi de termes<\/strong> que vous fixez, affiche le nombre de r\u00e9gressions<\/strong> que cela repr\u00e9sente, et classe les r\u00e9sultats par R\u00b2 et R\u00b2 ajust\u00e9. Chaque candidat s\u2019applique d\u2019un clic.<\/p>\n\n\n\n

            \u26a0\ufe0f Une s\u00e9lection automatique de termes invalide les p-values<\/strong> au sens strict : on a essay\u00e9 beaucoup de mod\u00e8les et retenu le meilleur, ce que le calcul de p-value ne prend pas en compte. Le r\u00e9sultat reste un excellent point de d\u00e9part, mais un mod\u00e8le ainsi obtenu se confirme sur de nouvelles donn\u00e9es<\/strong>, pas sur celles qui ont servi \u00e0 le choisir.<\/p>\n\n\n\n

            En cas de facteurs qualitatifs, on peut choisir la modalit\u00e9 de r\u00e9f\u00e9rence (incluse dans la constante). La modalit\u00e9 de r\u00e9f\u00e9rence n\u2019apparait pas dans le tableau de student.<\/p>\n\n\n\n

            6. Lire les r\u00e9sultats<\/h2>\n\n\n\n

            La partie droite de l\u2019\u00e9cran pr\u00e9sente les r\u00e9sultats en onglets. Les premiers d\u00e9pendent du mod\u00e8le, les suivants sont toujours l\u00e0.<\/p>\n\n\n\n

            Onglets propres au mod\u00e8le<\/strong><\/p>\n\n\n\n

            Onglet<\/strong><\/td>Quand il appara\u00eet<\/strong><\/td><\/tr><\/thead>
            Taguchi<\/strong><\/td>Ellistat a reconnu un plan de Taguchi dans les donn\u00e9es, et Y est quantitatif. Affiche l\u2019analyse propre \u00e0 ce plan.<\/td><\/tr>
            Multiniveaux<\/strong><\/td>Les donn\u00e9es s\u2019y pr\u00eatent : effets et importance des termes<\/strong> sur des facteurs \u00e0 plusieurs niveaux.<\/td><\/tr>
            Coefficients<\/strong><\/td>R\u00e9gression lin\u00e9aire ou logistique (voir \u00a75).<\/td><\/tr>
            Configuration<\/strong><\/td>PLS, K-OPLS, processus gaussien, r\u00e9seau de neurones, arbre, for\u00eat, SVM, KNN \u2014 les diagnostics propres au type.<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n

            Onglets communs<\/strong><\/p>\n\n\n\n

            Onglet<\/strong><\/td>Ce qu\u2019il montre<\/strong><\/td><\/tr><\/thead>
            Mod\u00e8le\/Observation<\/strong><\/td>Pr\u00e9dit contre observ\u00e9. Sur un Y qualitatif, c\u2019est la matrice de confusion<\/strong>.<\/td><\/tr>
            Histograma<\/strong><\/td>La distribution, sur Y quantitatif.<\/td><\/tr>
            R\u00e9sidus<\/strong><\/td>Le d\u00e9tail ligne par ligne : valeur observ\u00e9e, pr\u00e9diction, \u00e9cart, et l\u2019appartenance aux lignes de test.<\/td><\/tr>
            Pr\u00e9vision<\/strong><\/td>Saisir des valeurs de X et lire la r\u00e9ponse pr\u00e9dite.<\/td><\/tr>
            3D<\/strong><\/td>D\u00e8s 2 X<\/strong> : la surface de r\u00e9ponse du mod\u00e8le.<\/td><\/tr>
            5D<\/strong><\/td>D\u00e8s 4 X<\/strong> : la m\u00eame lecture avec deux facteurs suppl\u00e9mentaires port\u00e9s par la couleur et la taille.<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n

            \ud83d\udca1 Mod\u00e8le\/Observation est le seul onglet qui juge le mod\u00e8le.<\/strong> Les points doivent s\u2019aligner sur la diagonale, et surtout les lignes de test doivent s\u2019y aligner aussi<\/strong>. Un mod\u00e8le qui pr\u00e9dit parfaitement ses donn\u00e9es d\u2019apprentissage et rate les lignes de test n\u2019a rien appris : il a m\u00e9moris\u00e9. C\u2019est la seule erreur qui compte, et le R\u00b2 ne la voit pas.<\/p>\n\n\n\n

            7. Taguchi<\/h2>\n\n\n\n

            En cas de plan d\u2019exp\u00e9rience \u00e0 2 niveaux, le tableau de Taguchi donne le graphe des effets pour toutes les colonnes de la table.<\/p>\n\n\n\n

            \"\"<\/figure>\n\n\n\n

            S\u00e9lectionner ou deselectionner une interaction<\/strong>. En cliquant sur le nom de l\u2019interaction rouge, on la s\u00e9lectionne, elle passe en vert. Idem en cliquant sur le nom vert elle passe en rouge. Une interaction s\u00e9lectionn\u00e9e faire apparaitre le graphe d\u2019interaction correspondant. On peut changer l\u2019axe x en cliquant sur la pastille bleue.<\/p>\n\n\n\n

            8. Mod\u00e8le \/ Observation<\/h2>\n\n\n\n

            Ce graphique donne sous diff\u00e9rentes formes l\u2019ad\u00e9quation entre le mod\u00e8le et l\u2019observation. Plus les points sont proches de la droite plus le mod\u00e8le est fid\u00e8le aux essais.<\/p>\n\n\n\n

            \"\"<\/figure>\n\n\n\n

            Un graphique tr\u00e8s utile est le graphique Leviers vs R\u00e9sidus. Les points doivent \u00eatre dans le vert.<\/p>\n\n\n\n

            \"\"<\/figure>\n\n\n\n

            Si un point est dans le rouge vers le bas ou vers le haut cela vient d\u2019un probl\u00e8me sur la r\u00e9ponse. Il y a une des r\u00e9ponses qui ne colle pas au mod\u00e8le (valeur aberrante ?)<\/p>\n\n\n\n

            Si un point est dans le rouge vers la droite alors le probl\u00e8me est sur les X. Une des lignes d\u2019essais est atypique au regard des autres lignes (exemple X varie de 5 \u00e0 10  sur l\u2019ensemble des lignes sauf une ou X = 20)<\/p>\n\n\n\n

            9. Histogramme des r\u00e9sidus<\/h2>\n\n\n\n

            Donne l\u2019histogramme et l\u2019analyse de normalit\u00e9 des r\u00e9sidus<\/p>\n\n\n\n

            \"\"<\/figure>\n\n\n\n

            Dans cet onglet on trouve le tableau avec les valeurs mesur\u00e9es, pr\u00e9dites et la valeur des r\u00e9sidus.<\/p>\n\n\n\n

            Mais c\u2019est dans ce tableau que l\u2019on peut choisir soit de mettre une proportion de lignes en test de fa\u00e7on al\u00e9atoire ou les premiers, les derniers ou en choisissant les lignes dans la colonne test<\/p>\n\n\n\n

            \"\"<\/figure>\n\n\n\n

            10. Pr\u00e9vision<\/h2>\n\n\n\n

            Cet onglet permet de pr\u00e9dire une r\u00e9ponse et son intervalle de confiance \u00e0 partir du mod\u00e8le pour n\u2019importe quelle configuration.<\/p>\n\n\n\n

            \"\"<\/figure>\n\n\n\n

            11. Graphique 3D et 5D<\/h2>\n\n\n\n

            Le menu 3D permet d\u2019avoir une vue de la surface de r\u00e9ponse ne 3D On s\u00e9lection 2 X et une configuration particuli\u00e8re des autres X pour afficher la repr\u00e9sentation<\/p>\n\n\n\n

            \"\"<\/figure>\n\n\n\n

            Dans le cas ou on a suffisamment de facteurs X la vue 5D est propos\u00e9e qui permet de voir Y en fonction de 4X en une seule figure (5 dimensions)<\/p>\n\n\n\n

            Dans l\u2019exemple ci-dessous l\u2019\u00e9volution puissance\/vitesse dans 9 configuration de defocalisation\/spot. On peut \u00e9galement mettre une grille 5×5 \u00e0 la place de 3×3 pour \u00eatre plus fin<\/p>\n\n\n\n

            \"\"<\/figure>","protected":false},"featured_media":0,"menu_order":20,"template":"","meta":{"_acf_changed":true},"menu-guide-dutilisateur":[32],"class_list":["post-4679","guide-dutilisateur","type-guide-dutilisateur","status-publish","hentry","menu-guide-dutilisateur-8-ml-machine-learning"],"acf":[],"yoast_head":"\nConstruire un mod\u00e8le - Ellistat<\/title>\n<meta name=\"description\" content=\"D\u00e9couvrez les \u00e9tapes pour construire un mod\u00e8le de Machine Learning dans le logiciel Data Analysis d'Ellistat\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/ellistat.com\/es\/guia-del-usuario\/construire-un-modele\/\" \/>\n<meta property=\"og:locale\" content=\"es_ES\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Construire un mod\u00e8le - Ellistat\" \/>\n<meta property=\"og:description\" content=\"D\u00e9couvrez les \u00e9tapes pour construire un mod\u00e8le de Machine Learning dans le logiciel Data Analysis d'Ellistat\" \/>\n<meta property=\"og:url\" content=\"https:\/\/ellistat.com\/es\/guia-del-usuario\/construire-un-modele\/\" \/>\n<meta property=\"og:site_name\" content=\"Ellistat\" \/>\n<meta property=\"og:image\" content=\"https:\/\/ellistat.com\/wp-content\/uploads\/grilleML.png\" \/>\n\t<meta property=\"og:image:width\" content=\"246\" \/>\n\t<meta property=\"og:image:height\" content=\"80\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/png\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Tiempo de lectura\" \/>\n\t<meta name=\"twitter:data1\" content=\"11 minutos\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/ellistat.com\\\/guide-dutilisateur\\\/construire-un-modele\\\/\",\"url\":\"https:\\\/\\\/ellistat.com\\\/guide-dutilisateur\\\/construire-un-modele\\\/\",\"name\":\"Construire un mod\u00e8le - Ellistat\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/ellistat.com\\\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\\\/\\\/ellistat.com\\\/guide-dutilisateur\\\/construire-un-modele\\\/#primaryimage\"},\"image\":{\"@id\":\"https:\\\/\\\/ellistat.com\\\/guide-dutilisateur\\\/construire-un-modele\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/ellistat.com\\\/wp-content\\\/uploads\\\/grilleML.png\",\"datePublished\":\"2026-08-13T12:50:31+00:00\",\"description\":\"D\u00e9couvrez les \u00e9tapes pour construire un mod\u00e8le de Machine Learning dans le logiciel Data Analysis d'Ellistat\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/ellistat.com\\\/guide-dutilisateur\\\/construire-un-modele\\\/#breadcrumb\"},\"inLanguage\":\"es\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/ellistat.com\\\/guide-dutilisateur\\\/construire-un-modele\\\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"es\",\"@id\":\"https:\\\/\\\/ellistat.com\\\/guide-dutilisateur\\\/construire-un-modele\\\/#primaryimage\",\"url\":\"https:\\\/\\\/ellistat.com\\\/wp-content\\\/uploads\\\/grilleML.png\",\"contentUrl\":\"https:\\\/\\\/ellistat.com\\\/wp-content\\\/uploads\\\/grilleML.png\"},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/ellistat.com\\\/guide-dutilisateur\\\/construire-un-modele\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Accueil\",\"item\":\"https:\\\/\\\/ellistat.com\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Construire un mod\u00e8le\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/ellistat.com\\\/#website\",\"url\":\"https:\\\/\\\/ellistat.com\\\/\",\"name\":\"Ellistat\",\"description\":\"La suite qualit\u00e9 de l'industrie m\u00e9canique\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/ellistat.com\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"es\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Construire un mod\u00e8le - Ellistat","description":"D\u00e9couvrez les \u00e9tapes pour construire un mod\u00e8le de Machine Learning dans le logiciel Data Analysis d'Ellistat","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/ellistat.com\/es\/guia-del-usuario\/construire-un-modele\/","og_locale":"es_ES","og_type":"article","og_title":"Construire un mod\u00e8le - Ellistat","og_description":"D\u00e9couvrez les \u00e9tapes pour construire un mod\u00e8le de Machine Learning dans le logiciel Data Analysis d'Ellistat","og_url":"https:\/\/ellistat.com\/es\/guia-del-usuario\/construire-un-modele\/","og_site_name":"Ellistat","og_image":[{"width":246,"height":80,"url":"https:\/\/ellistat.com\/wp-content\/uploads\/grilleML.png","type":"image\/png"}],"twitter_card":"summary_large_image","twitter_misc":{"Tiempo de lectura":"11 minutos"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/ellistat.com\/guide-dutilisateur\/construire-un-modele\/","url":"https:\/\/ellistat.com\/guide-dutilisateur\/construire-un-modele\/","name":"Construire un mod\u00e8le - Ellistat","isPartOf":{"@id":"https:\/\/ellistat.com\/#website"},"primaryImageOfPage":{"@id":"https:\/\/ellistat.com\/guide-dutilisateur\/construire-un-modele\/#primaryimage"},"image":{"@id":"https:\/\/ellistat.com\/guide-dutilisateur\/construire-un-modele\/#primaryimage"},"thumbnailUrl":"https:\/\/ellistat.com\/wp-content\/uploads\/grilleML.png","datePublished":"2026-08-13T12:50:31+00:00","description":"D\u00e9couvrez les \u00e9tapes pour construire un mod\u00e8le de Machine Learning dans le logiciel Data Analysis d'Ellistat","breadcrumb":{"@id":"https:\/\/ellistat.com\/guide-dutilisateur\/construire-un-modele\/#breadcrumb"},"inLanguage":"es","potentialAction":[{"@type":"ReadAction","target":["https:\/\/ellistat.com\/guide-dutilisateur\/construire-un-modele\/"]}]},{"@type":"ImageObject","inLanguage":"es","@id":"https:\/\/ellistat.com\/guide-dutilisateur\/construire-un-modele\/#primaryimage","url":"https:\/\/ellistat.com\/wp-content\/uploads\/grilleML.png","contentUrl":"https:\/\/ellistat.com\/wp-content\/uploads\/grilleML.png"},{"@type":"BreadcrumbList","@id":"https:\/\/ellistat.com\/guide-dutilisateur\/construire-un-modele\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Accueil","item":"https:\/\/ellistat.com\/"},{"@type":"ListItem","position":2,"name":"Construire un mod\u00e8le"}]},{"@type":"WebSite","@id":"https:\/\/ellistat.com\/#website","url":"https:\/\/ellistat.com\/","name":"Ellistat","description":"La suite de calidad para la industria de la ingenier\u00eda mec\u00e1nica","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/ellistat.com\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"es"}]}},"_links":{"self":[{"href":"https:\/\/ellistat.com\/es\/wp-json\/wp\/v2\/guide-dutilisateur\/4679","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/ellistat.com\/es\/wp-json\/wp\/v2\/guide-dutilisateur"}],"about":[{"href":"https:\/\/ellistat.com\/es\/wp-json\/wp\/v2\/types\/guide-dutilisateur"}],"wp:attachment":[{"href":"https:\/\/ellistat.com\/es\/wp-json\/wp\/v2\/media?parent=4679"}],"wp:term":[{"taxonomy":"menu-guide-dutilisateur","embeddable":true,"href":"https:\/\/ellistat.com\/es\/wp-json\/wp\/v2\/menu-guide-dutilisateur?post=4679"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}