Explorer par classe

Fait partie de la section Données et visualisations du Journey Machine Learning de Coddy. Leçon 54 sur 60.

Quelle mesure permet d’identifier une espèce ? Place chaque fleur sur une ligne en fonction de la longueur de ses pétales, une ligne par espèce :

Fleurs d’iris disposées selon la longueur de leurs pétales, une ligne par espèce : setosa se regroupe autour de 1.5 cm, versicolor autour de 4.3 cm et virginica autour de 5.6 cm, la moyenne de chaque classe étant indiquée par une barre noire

groupby sur l’étiquette calcule ces moyennes :

df = iris.frame
means = df.groupby("target")["petal length (cm)"].mean()
print(means)

Cela affiche :

target
0    1.462
1    4.260
2    5.552
Name: petal length (cm), dtype: float64

Les classes sont éloignées les unes des autres, donc la longueur des pétales distingue les classes : un modèle s'appuiera dessus.

Un rapport indique à quel point : means[2] / means[1] vaut environ 1.3. Plus cette valeur s’éloigne de 1, mieux la caractéristique distingue ces deux classes.

Défi

Moyen

Quelle mesure cellulaire permet d'identifier un échantillon malin ? Dans load_breast_cancer, la classe 0 est maligne et la classe 1 est bénigne. Le code de départ lit des noms de caractéristiques dans features.

Pour chaque caractéristique, affiche la moyenne des échantillons malins divisée par celle des échantillons bénins, arrondie à 2 décimales avec round.
Après la boucle, indique la caractéristique ayant le rapport le plus élevé.

Pour les caractéristiques worst radius et worst texture :

worst radius: malignant is 1.58 times benign
worst texture: malignant is 1.25 times benign
Best separator: worst radius

Essayez vous-même

from sklearn.datasets import load_breast_cancer

cancer = load_breast_cancer(as_frame=True)

# Les caractéristiques à comparer
n = int(input())
features = []
for i in range(n):
    features.append(input())

# Écrivez votre code ci-dessous