Les données à fournir à un modèle
Leçon 2 sur 19 du cours Introduction à l’apprentissage automatique de Coddy.
En Machine Learning, les données jouent un rôle crucial dans l'entraînement et le développement de modèles. Pour injecter des données dans un modèle, elles sont généralement organisées dans un format structuré appelé ensemble de données ou dataset (un DataFrame dans pandas).
Un dataset se compose de deux parties principales :
- Caractéristiques (Features) - Un ensemble de colonnes qui représentent un jeu de données
- Variable cible (Target variable) - Représente la sortie ou la valeur que le modèle vise à prédire ou à estimer.
Par exemple, voici un tableau Météo
| id | degrees (C) | humidity (%) | wind (KM/H) | is_rain |
| 1 | 23 | 5 | 14 | True |
| 2 | 30 | 10 | 17 | False |
| 3 | 15 | 3 | 12 | False |
| 4 | 20 | 12 | 5 | False |
| 5 | 26 | 57 | 23 | True |
En supposant que nous voulions savoir s'il va pleuvoir, les caractéristiques sont degrees, humidity, wind, et la variable cible est is_rain.
Les caractéristiques sont notées <strong>X</strong>, et la cible est notée <strong>y</strong>.
La variable cible (<strong>y</strong>) peut contenir n'importe quel type de données - nombre, booléen, chaîne de caractères, etc.
Pendant le processus d'entraînement, le modèle utilise les caractéristiques comme entrée, et la variable cible comme vérité terrain (ground truth) ou sortie correcte.
Sans variable cible, le modèle n'aurait aucun moyen de savoir si ses prédictions sont correctes ou non.
Il existe de nombreuses variations dans la structure des datasets :
- Plusieurs caractéristiques, une seule variable cible
- Une seule caractéristique, une seule variable cible
- Plusieurs caractéristiques, plusieurs variables cibles
- Peu de caractéristiques, une ou plusieurs variables cibles
- Pas de variable cible
- Données de séries temporelles
- etc.
L'apprentissage supervisé (Supervised learning) implique des datasets avec des paires entrée-sortie, où l'algorithme apprend à mettre en correspondance les entrées avec les variables cibles correspondantes.
L'apprentissage non supervisé (Unsupervised learning) n'implique pas de variables cibles ; au lieu de cela, il cherche des motifs ou une structure dans les données d'entrée sans exemples étiquetés.
il est crucial de s'assurer que la variable cible est indépendante des autres colonnes, car toute dépendance pourrait entraîner une fuite de données (data leakage) et se traduire par des performances trompeusement élevées pendant l'entraînement. Un modèle véritablement prédictif doit apprendre à partir de caractéristiques qui ne sont pas directement liées à la cible, préservant ainsi l'intégrité et la généralisabilité des prédictions du modèle.
Une variable cible indépendante ne peut pas être directement calculée ou dérivée des autres colonnes de votre dataset ; c'est ce que vous cherchez à prédire.
Testez-vousCette leçon comprend un petit quiz. Commencez la leçon pour y répondre et suivre votre progression.
Testez-vousCette leçon comprend un petit quiz. Commencez la leçon pour y répondre et suivre votre progression.
Testez-vousCette leçon comprend un petit quiz. Commencez la leçon pour y répondre et suivre votre progression.
Défi
FacileOn vous donne un fichier CSV appelé galactic_zoo_no_target.csv. Ce jeu de données n'a pas de variable cible.
Dans ce défi, vous allez créer votre propre variable cible. Créez une colonne nommée ComplexityIndex dérivée de la formule : WaterCoverage * HabitatDiversity / PlanetMass. Ensuite, supprimez les colonnes WaterCoverage, HabitatDiversity et PlanetMass, car elles sont désormais représentées par le ComplexityIndex.
Pour réussir le défi, n'affichez rien, nous vérifions la variable df en interne.
Essayez vous-même
# pandas as pd est déjà importé
df = pd.read_csv("galactic_zoo_no_target.csv")
# Écrivez votre code ci-dessous
Toutes les leçons de Introduction à l’apprentissage automatique
1Le début du parcours en ML
Introduction au MLLes données à fournir à un modèleQu’est-ce qu’un modèle de ML ?
Entraînez-vous par vous-même : Compilateur Python en ligne