Newer
Older
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
{
"cells": [
{
"cell_type": "markdown",
"id": "e3d7f78f-21f2-474b-97c2-1fcfabd272cc",
"metadata": {
"tags": []
},
"source": [
"# Ajuster son premier modèle prédictif"
]
},
{
"cell_type": "markdown",
"id": "efd00c69-212a-4c57-8f5c-f0e9724bf8bd",
"metadata": {},
"source": [
"Au cours de ce TD, vous serez amené·e à ajuster un modèle simple (et peu performant) pour prédire l’appartenance de tel ou tel manchot à une espèce pré-définie : manchot Adélie, manchot papou (*Gentoo*) ou manchot à jugulaire (*Chinstrap*). Vous mettrez pour cela en œuvre un algorithme d’apprentissage supervisé appelé *k-nearest neighbors* (k-NN) qui effectuera une comparaison entre les données envoyées pour la prédiction et les *k* observations les plus proches dans le jeu d’entraînement. \n",
"\n",
"La première tentative se révélera peu concluante, puis vous améliorerez progressivement la performance de votre algorithme en travaillant sur les données d’entraînement."
]
},
{
"cell_type": "markdown",
"id": "b7b7ee43-1900-4bbd-a984-a03dfeaea81e",
"metadata": {
"tags": []
},
"source": [
"## À propos du jeu de données"
]
},
{
"cell_type": "markdown",
"id": "ad5a468a-bf49-4259-8488-5eb288235ca5",
"metadata": {},
"source": [
"\n",
"\n",
"Artwork by @allison_horst\n",
"\n",
"Le fichier [*penguin-census.csv*](../files/penguin-census.csv) (Gorman, 2014) provient du paquet [*palmerpenguins*](https://allisonhorst.github.io/palmerpenguins/) conçu pour le logiciel *R* comme un outil pour l’exploration et la visualisation de données. Il contient deux jeux de données : un avec les données complètes et un autre qui se veut comme une version simplifiée du premier. C’est ce dernier que vous utiliserez.\n",
"\n",
"Les données ont été collectées par le Dr. Kristen Gorman à la station Palmer en Antarctique."
]
},
{
"cell_type": "markdown",
"id": "5c537b69-f8ce-4cef-8e38-6760c862f565",
"metadata": {
"tags": []
},
"source": [
"## Description des données"
]
},
{
"cell_type": "markdown",
"id": "41e3b57a-7b3f-461d-81ca-e58ff12cb255",
"metadata": {},
"source": [
"On n’insistera jamais assez sur l’influence d’une bonne compréhension des données à disposition sur la qualité de l’algorithme produit. Si vous avez l’impression de perdre du temps à explorer manuellement les fichiers ou à lire la documentation, rappelez-vous Hume : l’impression ne peut être représentative en ce qu’elle se présente immédiatement à l’esprit. L’idée qui en dérive, si elle a moins de force ou de vivacité, peut en revanche servir pour, en réaction, modifier l’impression primitive. En somme, non, vous ne perdez pas de temps.\n",
"\n",
"Les données sont constituées de 344 observations (*samples*) décrites par 8 variables aléatoires, ou caractéristiques (*features*). Ces variables sont :\n",
"\n",
"|Variable|Signification|Type de variable|\n",
"|-|-|:-:|\n",
"|*species*|Espèce de manchot parmi : Adelie, Gentoo, Chinstrap|qualitative|\n",
"|*island*|Île de l’observation parmi : Torgersen, Biscoe, Dream|qualitative|\n",
"|*bill_length_mm*|Longueur du bec de l’individu (en mm)|quantitative discrète|\n",
"|*bill_depth_mm*|Épaisseur du bec de l’individu (en mm)|quantitative discrète|\n",
"|*flipper_length_mm*|Longueur de la nageoire de l’individu (en mm)|quantitative discrète|\n",
"|*body_mass_g*|Poids de l’individu (en g)|quantitative discrète|\n",
"|*sex*|Sexe de l’individu selon deux valeurs possibles : *male* ou *female*|qualitative binaire|\n",
"|*year*|Année de l’observation (de 2007 à 2009)|qualitative ordonnée|"
]
},
{
"cell_type": "markdown",
"id": "995bae5a-201b-44fa-8eb9-8ba0bd8c1c33",
"metadata": {},
"source": [
"### Définition de la tâche"
]
},
{
"cell_type": "markdown",
"id": "61fe45f8-f274-446e-b29e-0143d85cdd29",
"metadata": {},
"source": [
"L’objectif de votre programme est de concevoir une fonction qui détermine si un individu appartient à telle ou telle espèce de manchot. Comme vous ne savez pas encore comment traiter des données catégorielles (sexe, profession, statut, pour ou contre…), vous limiterez les données d’entraînement aux variables quantitatives.\n",
"\n",
"**Variable cible (*target*) :** *species* \n",
"**Caractéristiques (*features*) :** *bill_length_mm*, *bill_depth_mm*, *flipper_length_mm*, *body_mass_g*"
]
},
{
"cell_type": "markdown",
"id": "eec6c135-5262-4e9c-884c-b877901b20ee",
"metadata": {
"tags": []
},
"source": [
"## Un coup d’œil rapide aux données"
]
},
{
"cell_type": "markdown",
"id": "56b3a9fb-4182-47fb-bfdd-33b159804c91",
"metadata": {
"tags": []
},
"source": [
"### Chargement du fichier"
]
},
{
"cell_type": "markdown",
"id": "4723cd0d-9d06-48b2-b34b-45e60ea55c60",
"metadata": {},
"source": [
"Importez tout d’abord le fichier *penguin-census.csv*, situé dans le répertoire *files*, grâce à la méthode `.read_csv()` de la librairie *Pandas* :"
]
},
{
"cell_type": "code",
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
"id": "15db0e54-9244-4a63-a3ab-25d5b2826dc8",
"metadata": {},
"outputs": [],
"source": [
"# your code here"
]
},
{
"cell_type": "markdown",
"id": "b4d79062-0c0b-4cd9-8074-d992851f573c",
"metadata": {
"tags": []
},
"source": [
"### Exploration des données"
]
},
{
"cell_type": "markdown",
"id": "bd51ffd7-6e83-4347-91de-d2b8b24ada7c",
"metadata": {},
"source": [
"Avant toute chose, confirmez le nombre d’individus qui constituent le jeu de données :"
]
},
{
"cell_type": "code",
"id": "4f61da20-08d1-415b-8a97-15414d20255a",
"metadata": {},
"outputs": [],
"source": [
"# your code here"
]
},
{
"cell_type": "markdown",
"id": "a0482e7e-cf41-4428-8822-a01171b6b15e",
"metadata": {},
"source": [
"La méthode `.head()` permet d’obtenir un aperçu des premières observations. Utilisez-là sur la variable dans laquelle vous avez chargé le *data frame* :"
]
},
{
"cell_type": "code",
"id": "30a56431-c889-49e2-ba12-df658601643c",
"metadata": {},
"outputs": [],
"source": [
"# your code here"
]
},
{
"cell_type": "markdown",
"id": "40bde9d5-b192-4409-9a9f-c97a9d6c7a11",
"metadata": {},
"source": [
"Une propriété intéressante des *data frames* est `dtypes`, qui fournit le type de donnée de chaque variable :"
]
},
{
"cell_type": "code",
"id": "569db929-625e-4e72-a36f-06d1173a5310",
"metadata": {},
"outputs": [],
"source": [
"# your code here"
]
},
{
"cell_type": "markdown",
"id": "2672ec64-f918-487c-a931-0bfc613381aa",
"metadata": {},
"source": [
"Utilisez à présent la méthode `.describe()` pour obtenir des mesures statistiques sur les variables quantitatives :"
]
},
{
"cell_type": "code",
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
"id": "d1127f6e-5126-441e-a6a5-c5dd11fe946b",
"metadata": {},
"outputs": [],
"source": [
"# your code here"
]
},
{
"cell_type": "markdown",
"id": "b453590f-2f1e-4ecd-88f1-87f5c3212f84",
"metadata": {
"tags": []
},
"source": [
"### À la recherche des données manquantes"
]
},
{
"cell_type": "markdown",
"id": "0db57d9e-d4ac-49bd-a67a-8875fa4cc881",
"metadata": {},
"source": [
"Plus haut, dès l’utilisation de la méthode `.head()`, vous avez révélé l’absence de certaines données. L’information est confirmée par la méthode `.describe()` qui ne totalise que 342 observations valides pour les variables *bill_length_mm*, *bill_depth_mm*, *flipper_length_mm* et *body_mass_g* sur les 344 individus.\n",
"\n",
"Une façon plus sûre de les détecter est d’utiliser la méthode `.isnull()` :"
]
},
{
"cell_type": "code",
"id": "5526e94c-f250-4cdb-ae8c-e3a3b425789b",
"metadata": {},
"outputs": [],
"source": [
"# your code here"
]
},
{
"cell_type": "markdown",
"id": "67740122-5a47-41c9-990c-f39f0dc83d8c",
"metadata": {},
"source": [
"Mieux encore, chaînez l’opération précédente avec la méthode `.any()` pour déterminer dans quelles colonnes on trouve des données manquantes :"
]
},
{
"cell_type": "code",
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
"id": "3706f753-0347-4b10-8908-cd05e9513a30",
"metadata": {},
"outputs": [],
"source": [
"# your code here"
]
},
{
"cell_type": "markdown",
"id": "ad39dce1-09c7-4de2-b5ec-ceee8957c8fa",
"metadata": {},
"source": [
"Vous pouvez maintenant pister, colonne par colonne, les données manquantes. La syntaxe se construit de la manière suivante :\n",
"1. Appliquez un prédicat à votre *data frame* \n",
"`df[]` ;\n",
"2. dans le prédicat, limitez la sélection à la colonne appropriée \n",
"`df[df[col]]` ;\n",
"3. révélez les valeurs manquantes de la colonne sélectionnée avec `.isnull()` \n",
"`df[df[col].isnull()]` ;\n",
"4. ne retenez que les indices des observations sélectionnées (en dehors du prédicat) avec la propriété `index` \n",
"`df[df[col].isnull()].index` ;\n",
"5. transformez enfin le tout en liste avec la méthode `.to_list()` \n",
"`df[df[col].isnull()].index.to_list()`."
]
},
{
"cell_type": "code",
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
"id": "5b3e09c4-f6ab-4ed1-aea6-5733b5d6cbef",
"metadata": {},
"outputs": [],
"source": [
"# your code here"
]
},
{
"cell_type": "markdown",
"id": "0cbde3c3-4240-41a4-841a-9b2ed27e41bb",
"metadata": {
"tags": []
},
"source": [
"### Visualiser les données"
]
},
{
"cell_type": "markdown",
"id": "c73d4fda-500e-4cbb-97e2-1acd658832d7",
"metadata": {},
"source": [
"La librairie *Pandas* embarque des outils hérités de *Matplotlib*. La méthode `.hist()` est toute indiquée pour représenter des variables numériques. Notez qu’il n’est pas nécessaire d’opérer colonne par colonne. *Pandas* n’applique la méthode que sur des variables de type numérique : "
]
},
{
"cell_type": "code",
"id": "be8f5437-73fd-4abe-a774-653e5e11f852",
"metadata": {},
"outputs": [],
"source": [
"# your code here"
]
},
{
"cell_type": "markdown",
"id": "51b75fff-8782-4f1a-844d-3265c89b4f28",
"metadata": {},
"source": [
"Mieux encore, la librairie *Seaborn* offre des outils qui facilitent davantage la lecture des graphiques. Importez tout d’abord le module `seaborn` avec l’alias `sn`, puis utilisez la méthode `.pairplot()` en lui passant deux paramètres : votre *data frame* et le nom de la variable cible (paramètre nommé `hue`) :"
]
},
{
"cell_type": "code",
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
"id": "8656581d-5764-4283-86e9-de8f34f77e90",
"metadata": {},
"outputs": [],
"source": [
"# your code here"
]
},
{
"cell_type": "markdown",
"id": "7201f7af-bf94-43a0-b72b-ad6e29f43846",
"metadata": {
"tags": []
},
"source": [
"## Préparez le jeu de données"
]
},
{
"cell_type": "markdown",
"id": "c82c0a6b-a097-4b82-8e24-42191a898e17",
"metadata": {},
"source": [
"Après avoir consacré un temps non négligeable à la compréhension du jeu de données, il est temps de le préparer afin de fournir un *data frame* propre à votre futur programme.\n",
"\n",
"Commencez par définir la colonne cible dans une variable *target* et par faire la liste des caractéristiques qui vous intéressent dans une variable *features* :"
]
},
{
"cell_type": "code",
"id": "ddf31392-ffef-4d02-a96b-7925d6b061bf",
"metadata": {},
"outputs": [],
"source": [
"# your code here"
]
},
{
"cell_type": "markdown",
"id": "767c28ea-8b23-4bf5-925e-f7db03b6f908",
"metadata": {},
"source": [
"Le nouveau *data frame* correspondra à la réunion des seules colonnes répertoriées dans vos variables *target* et *features*. Par convention, on positionne la colonne cible à la fin :"
]
},
{
"cell_type": "code",
"id": "740b56d1-9960-4404-908a-b32fcdbebb37",
"metadata": {},
"outputs": [],
"source": [
"# your code here"
]
},
{
"cell_type": "markdown",
"id": "848417aa-f7c2-484e-bf1b-16bb9b7dc041",
"metadata": {},
"source": [
"Lorsque vous avez fait la chasse aux données manquantes dans le fichier, vous avez sans doute remarqué que :\n",
"- les colonnes qui vous intéressent ne contenaient que deux données manquantes ;\n",
"- ces données concernent les deux mêmes individus.\n",
"\n",
"Vous pouvez de manière légitime considérer que supprimer totalement ces deux individus ne nuira pas à votre programme. Appliquez la méthode `.dropna()` directement sur le *data frame* :"
]
},
{
"cell_type": "code",
"id": "98bb8930-08ea-4169-b2be-0cc1de6c0f7e",
"metadata": {},
"outputs": [],
"source": [
"# your code here"
]
},
{
"cell_type": "markdown",
"id": "f40dfcc4-8f13-4cdd-9d89-25b50199741c",
"metadata": {},
"source": [
"Votre *data frame* n’est plus constitué que de 342 observations. Il est temps de le séparer en deux autres structures :\n",
"1. une série nommée `y` pour la cible ;\n",
"2. un *data frame* nommé `X` pour les caractéristiques (sans la colonne cible).\n",
"\n",
"La méthode `.drop()` avec l'argument nommé `columns` permet de spécifier une liste de colonnes à supprimer."
]
},
{
"cell_type": "code",
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
"id": "6935e3ff-4d6e-4219-b784-3b20e5c6722b",
"metadata": {},
"outputs": [],
"source": [
"# your code here"
]
},
{
"cell_type": "markdown",
"id": "25dc82a1-9fdd-477a-950b-99fb8365d448",
"metadata": {
"tags": []
},
"source": [
"## Constituez les jeux d’entraînement et de test"
]
},
{
"cell_type": "markdown",
"id": "ded560bd-a9b9-4a41-b5c1-31557cf78a69",
"metadata": {},
"source": [
"Durant cette étape, vous allez séparer vos structures `X` et `y` en deux parties : la première pour l’entraînement, la seconde pour le test.\n",
"\n",
"Comptabilisez dans une variable `nb` le nombre d’observations et définissez une variable `limit` qui soit 25 % de `nb`. Assurez-vous que `limit` soit un entier :"
]
},
{
"cell_type": "code",
"id": "429f1536-ac2f-4316-820b-e0927966b7ad",
"metadata": {},
"outputs": [],
"source": [
"# your code here"
]
},
{
"cell_type": "markdown",
"id": "f8de7405-11b2-45f7-aafb-494814c8029b",
"metadata": {},
"source": [
"Grâce au *slicing*, effectuez la séparation entre `X_train`, `X_test` et `y_train`, `y_test` :"
]
},
{
"cell_type": "code",
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
"id": "4f589678-8487-4a74-8e76-94824661f84c",
"metadata": {},
"outputs": [],
"source": [
"# your code here"
]
},
{
"cell_type": "markdown",
"id": "2ae12b1d-1c22-4ea6-a309-efc5ceb4e11d",
"metadata": {
"tags": []
},
"source": [
"## Programmation du modèle"
]
},
{
"cell_type": "markdown",
"id": "e3993406-e8a6-45ba-9e0b-ea2da75d41cc",
"metadata": {
"tags": []
},
"source": [
"### Entraîner le modèle avec le jeu d’entraînement"
]
},
{
"cell_type": "markdown",
"id": "9e03b55f-ceb1-4a76-8f70-6990f61cf43d",
"metadata": {},
"source": [
"La partie qui aurait pu sembler la plus complexe est en fait la plus triviale. *Scikit-Learn* se charge de calculer l’ensemble des paramètres et fournit un modèle selon l’algorithme d’entraînement utilisé.\n",
"\n",
"Importez tout d’abord la classe `KNeighborsClassifier` du module `sklearn.neighbors` :"
]
},
{
"cell_type": "code",
"id": "1b696f57-9654-4986-839e-1a175d6fb954",
"metadata": {},
"outputs": [],
"source": [
"# your code here"
]
},
{
"cell_type": "markdown",
"id": "a9e996a3-6cd3-467d-941a-ce158ed662a8",
"metadata": {},
"source": [
"Chargez à présent la classe `KNeighborsClassifier()` dans une variable `model` puis appelez directement la méthode `.fit()` en lui passant en paramètres `X_train` puis `y_train` :"
]
},
{
"cell_type": "code",
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
"id": "76c68b94-9c3b-463b-8e86-fc5e248f25ed",
"metadata": {},
"outputs": [],
"source": [
"# your code here"
]
},
{
"cell_type": "markdown",
"id": "5f309273-5768-4167-8777-796d1d080621",
"metadata": {
"tags": []
},
"source": [
"### Tester le modèle"
]
},
{
"cell_type": "markdown",
"id": "b9c83ba4-283b-4767-9eb2-9f43d3a53c6b",
"metadata": {},
"source": [
"Il ne reste plus qu’à effectuer des prédictions sur les données de test avec la méthode `.predict()` :"
]
},
{
"cell_type": "code",
"execution_count": null,
"id": "e467e4f0-dfa8-4a7f-a1fb-936033442104",
"metadata": {},
"outputs": [],
"source": [
"# your code here"
]
},
{
"cell_type": "markdown",
"id": "4533c45f-bdb5-4390-babc-aa85cefb7a07",
"metadata": {
"tags": []
},
"source": [
"### Évaluer le modèle"
]
},
{
"cell_type": "markdown",
"id": "3faa3ec2-5340-45f3-88c8-c7ea3af40e91",
"metadata": {},
"source": [
"Pour évaluer l’exactitude du modèle, il suffit de comparer les prédictions obtenues sur le jeu de test avec le contenu de `y_test`, puis de noter les concordances. L’opérateur d’égalité `==` permet de vérifier si les observations d’une série correspondent avec celles d’une autre : "
]
},
{
"cell_type": "code",
"execution_count": null,
"id": "a8c9e8b4-56eb-41cd-bc37-d00889f4c53a",
"metadata": {},
"outputs": [],
"source": [
"# your code here"
]
},
{
"cell_type": "markdown",
"id": "10d4ac41-c475-404e-8270-b2644507f591",
"metadata": {},
"source": [
"Le résultat obtenu étant une série de booléens, il est possible d’appeler les méthodes `.sum()` ou `.mean()` pour obtenir le nombre de bonnes prédictions rapportées au nombre total d’éléments :"
]
},
{
"cell_type": "code",
"execution_count": null,
"id": "4cac7f52-910a-4efd-a3b6-db7f82dfe9f9",
"metadata": {},
"outputs": [],
"source": [
"# your code here"
]
},
{
"cell_type": "markdown",
"id": "4d6e3793-026a-40c5-80c9-968a1004b1e0",
"metadata": {},
"source": [
"Mieux, la méthode `.score()` du modèle entraîné permet de révéler le résultat immédiatement. Passez simplement en paramètres le jeu de test et la cible de test :"
]
},
{
"cell_type": "code",
"execution_count": null,
"id": "36379e25-b98f-4060-82c5-ab67638221d1",
"metadata": {},
"outputs": [],
"source": [
"# your code here"
]
},
{
"cell_type": "markdown",
"id": "56fc1ab5-32a3-426c-bb33-e49d6f30d319",
"metadata": {},
"source": [
"### Améliorer le modèle"
]
},
{
"cell_type": "markdown",
"id": "051d0840-abc9-4416-9406-9edbca0081e3",
"metadata": {},
"source": [
"**49 % de taux d’exactitude !!** Même pas une prédiction sur deux de juste, autant dire que votre premier modèle est ridiculement inefficace…\n",
"\n",
"La première voie d’amélioration réside dans la préparation du jeu de données. Remarquez que vos données sont triées par espèces de manchots. Si vous ressortez les données uniques de `y_test`, vous remarquez alors qu’il n’y a que des manchots Adélie :"
]
},
{
"cell_type": "code",
"execution_count": null,
"id": "948c3ec2-e58f-4a72-a898-43912fdc9ab1",
"metadata": {},
"outputs": [],
"source": [
"# unique values in y_test\n",
"y_test.unique()"
]
},
{
"cell_type": "markdown",
"id": "6b89a2a1-58a7-4516-9197-fe4e7bd26c4f",
"metadata": {},
"source": [
"Alors que dans la série cible d’entraînement les manchots papous sont sur-représentés :"
]
},
{
"cell_type": "code",
"execution_count": null,
"id": "9237957f-a5b5-4505-8c9b-d65313ac8370",
"metadata": {},
"outputs": [],
"source": [
"# nb of samples for each class in y_train\n",
"y_train.value_counts()"
]
},
{
"cell_type": "markdown",
"id": "392864dc-b493-4621-bf1c-86e195a14346",
"metadata": {},
"source": [
"La librairie *Pandas* met à disposition une méthode `.sample()` qui permet de mélanger les observations :"
]
},
{
"cell_type": "code",
"execution_count": null,
"id": "6dcf0fba-8b2b-4391-9f0f-e0ffdeb31b0e",
"metadata": {},
"outputs": [],
"source": [
"# shuffle all rows\n",
"data = data.sample(frac=1).reset_index(drop=True)"
]
},
{
"cell_type": "markdown",
"id": "334d1a65-ebec-4e4e-9a62-9096efcec496",
"metadata": {},
"source": [
"Séparez à nouveau votre *data frame* en `X` et `y`, puis en jeux de test et d’entraînement, et entraînez le modèle tel quel. Vous devriez noter une hausse non négigeable du taux d’exactitude !\n",
"\n",
"Notez qu’il existe une fonction dans *Scikit-Learn* pour préparer automatiquement les données de test et d’entraînement :"
]
},
{
"cell_type": "code",
"execution_count": null,
"id": "377d211a-1088-409c-9714-4ae4d22e1ba9",
"metadata": {},
"outputs": [],
"source": [
"from sklearn.model_selection import train_test_split\n",
"\n",
"X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=42, test_size=0.25)"
]
},
{
"cell_type": "markdown",
"id": "4c589cde-b1d5-4f37-b66a-3dc370205762",
"metadata": {},
"source": [
"N’hésitez pas à tester d’autres pistes d’amélioration, vous ne devriez pas tarder à dépasser les 80 % d’exactitude :\n",
"- Modifier le paramètre `random_state` de la fonction `train_test_split()` ;\n",
"- augmenter le nombre d’observations dans le jeu d’entraînement (ex. : 80/20) ;\n",
"- ajuster le paramètre `n_neighbors` de la classe `KNeighborsClassifier()` (5 par défaut) ;\n",
"- …"
]
},
{
"cell_type": "markdown",
"id": "2b003848-202f-4088-b5bf-a9691393ecf1",
"metadata": {},
"source": [
"## Phase IV"
]
},
{
"cell_type": "markdown",
"id": "388fdff3-ce87-496a-b8c0-aa7dbb411cd6",
"metadata": {},
"source": [
"Il est temps de présenter des données inédites à votre programme et voir de quelle manière il se comporte. Chargez les données ci-dessous :"
]
},
{
"cell_type": "code",
"execution_count": null,
"id": "2dd9a204-19b6-421d-a4c4-6748969ba004",
"metadata": {},
"outputs": [],
"source": [
"series = {\n",
" \"bill_length_mm\": [54.2, 48.2],\n",
" \"bill_depth_mm\": [19.7, 13.9],\n",
" \"flipper_length_mm\": [200.9, 181.7],\n",
" \"body_mass_g\": [4367, 3659]\n",
"}\n",
"\n",
"new_data = pd.DataFrame(series)"
]
},
{
"cell_type": "markdown",
"id": "805eb15f-8002-48cb-9868-923ebddcd202",
"metadata": {},
"source": [
"À l’aide de la méthode `.predict()`, regardez les étiquettes qui ressortent :"
]
},
{
"cell_type": "code",
"execution_count": null,
"id": "d4b65193-7d7d-4e41-b102-be4cbd11f541",
"metadata": {},
"outputs": [],
"source": [
"# your code here"
]
}
],
"metadata": {
"kernelspec": {
"display_name": "Python 3 (ipykernel)",
"language": "python",
"name": "python3"
},
"language_info": {
"codemirror_mode": {
"name": "ipython",
"version": 3
},
"file_extension": ".py",
"mimetype": "text/x-python",
"name": "python",
"nbconvert_exporter": "python",
"pygments_lexer": "ipython3",
}
},
"nbformat": 4,
"nbformat_minor": 5
}