Frontières de décision

Fait partie de la section Apprentissage supervisé du Journey Machine Learning de Coddy. Leçon 8 sur 58.

Une frontière de décision est l’endroit où la réponse d’un modèle change. Pour la visualiser, demande la réponse du modèle en chaque point du graphique, disposé sous forme de grille :

Les 80 piments sur une grille de petits points. Chaque point est coloré selon la réponse du modèle à cet endroit : orange pour piquant à gauche, bleu pour doux à droite, avec une ligne en escalier à leur jonction

np.meshgrid associe chaque x à chaque y. Aplatissez les paires en lignes, prédisez-les toutes, puis remettez les réponses dans la forme de la grille :

xx, yy = np.meshgrid(np.linspace(2, 16, 100), np.linspace(0.5, 6.5, 100))
grid = np.column_stack([xx.flatten(), yy.flatten()])
zz = model.predict(grid).reshape(xx.shape)
ax.contourf(xx, yy, zz, levels=[-0.5, 0.5, 1.5], colors=["C0", "C1"], alpha=0.3)

contourf remplit la zone de chaque code de classe : levels place les bordures à mi-chemin entre les codes, colors assortit les couleurs aux points. Tracez les points après, par-dessus.

Défi

Facile

Un distributeur automatique trie les pièces selon leur taille et leur poids. Le code de départ entraîne un modèle k-NN sur coins.csv (codes de classe de 0 à 2) ; draw_coins(ax) les dessine.

Crée une grille de 100 par 100 xx, yy : de 18 à 26 mm en largeur, de 3 à 9 g en hauteur.
Prédisez chaque point dans zz, avec la même forme que la grille.
Remplis la carte avec les couleurs C0 à C2, puis dessine les pièces et affiche le résultat.

Comme celle-ci :

Une carte de tri des pièces : trois zones douces, bleue pour les pièces de 10c en bas à gauche, orange pour celles de 5c au milieu, verte pour celles de 25c à droite, chacune avec ses pièces par-dessus et une légende

Les pièces d’un autre pays, donc des zones différentes.

Coddy décrit ta carte.

Essayez vous-même

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.neighbors import KNeighborsClassifier

# Une ligne par pièce mesurée par la machine : diamètre (mm), poids (g), valeur en centimes
coins = pd.read_csv("coins.csv")
X = np.column_stack([coins["diameter_mm"], coins["weight_g"]])
# Codes des classes : 0 pour 10c, 1 pour 20c, 2 pour 50c
y = coins["value_c"].map({10: 0, 20: 1, 50: 2})
names = ["10c", "20c", "50c"]
model = KNeighborsClassifier(n_neighbors=5)
model.fit(X, y)


# Trace les pièces sur ax, avec une couleur par classe : C0, C1, C2
def draw_coins(ax):
    for code in range(3):
        ax.scatter(X[y == code, 0], X[y == code, 1], s=20, label=names[code])
    ax.legend()


fig, ax = plt.subplots()
ax.set_title("Coin Sorter Map")
ax.set_xlabel("Diameter (mm)")
ax.set_ylabel("Weight (g)")

# Écrivez votre code ci-dessous