Objectif
Ce dashboard estime le risque associé à différents scénarios routiers à Seattle,
à partir de variables telles que la localisation, la météo, l’état de la route,
la luminosité, le type d’adresse, le type de jonction et le jour de la semaine.
Mise en situation
L’utilisateur peut simuler une situation précise, par exemple :
lundi, temps clair, chaussée sèche, lumière du jour, intersection et localisation donnée.
Le modèle estime alors le niveau de risque associé à ce scénario selon les tendances historiques.
Interprétation
Le résultat affiché est une estimation statistique, et non une prédiction certaine.
Le modèle ne connaît pas la météo réelle de la semaine prochaine, les travaux,
le trafic, les événements locaux ou les comportements des conducteurs.
Classes utilisées
- Classe 0 : aucune collision observée.
- Classe 1 : collision avec dommages matériels.
- Classe 2 : collision avec blessures.
Modèles comparés
Le script Python compare plusieurs modèles de classification supervisée :
régression logistique équilibrée, forêt aléatoire et Extra Trees.
Le navigateur lit uniquement les résultats contenus dans dashboard_data.json.
Python
Scikit-learn
Classification
GitHub Pages