Récapitulatif : trieur de graines
Fait partie de la section Apprentissage supervisé du Journey Machine Learning de Coddy. Leçon 5 sur 58.
Défi
FacileTu te souviens des graines qui ont ouvert ce chapitre ? Construis maintenant leur trieur. seeds.csv contient 180 graines de blé : quatre mesures, nommées dans features, et la variety. Le code de départ lit les mesures d’une nouvelle graine dans le tableau à une ligne new_seed.
- Effectue une séparation, avec un quart pour les tests et
random_state=0, puis affiche les tailles. - Affiche la variété la plus courante dans l’ensemble d’entraînement : la réponse de référence.
- Entraîne un modèle des k plus proches voisins sur les mesures. Affiche sa précision et celle de la référence, arrondies à 3 décimales.
- Affiche la variété de la nouvelle graine.
Pour les graines d’une autre ferme :
Train: 120 seeds, test: 40
Most common in training: Rosa
Accuracy: 0.925 (baseline 0.4)
New seed: CanadianEssayez vous-même
import pandas as pd
# 180 grains de blé : quatre mesures et la variété
seeds = pd.read_csv("seeds.csv")
features = ["area_mm2", "length_mm", "width_mm", "groove_mm"]
# Un nouveau grain provenant du laboratoire, sous forme de tableau à une ligne
new_seed = pd.DataFrame({
"area_mm2": [float(input())],
"length_mm": [float(input())],
"width_mm": [float(input())],
"groove_mm": [float(input())],
})
# Écrivez votre code ci-dessous
Toutes les leçons de Apprentissage supervisé
1Votre premier modèle
Apprendre à partir d’exemplesJeux d’entraînement et de testAjuster et prédireÉvaluer un modèleRécapitulatif : trieur de graines4Régression logistique
Prédictions oui ou nonLe seuil de décisionLes poids comme indicesPlusieurs classesRécapitulatif : filtre anti-spam2Plus proches voisins
Comment k-NN prend ses décisionsChoisir kFrontières de décisionMettre les voisins à l’échelleRécapitulatif : voisins et vin5Évaluer les classificateurs
La matrice de confusionPrécision et rappelLe score F1Classes déséquilibréesCourbes ROCRécapitulatif : test de dépistage8Validation croisée
Validation K-foldComparer les modèles équitablementRecherche par grilleRécapitulatif : réparations de skateboard11Projet : espèces de manchots
À la rencontre des manchotsPréparer les donnéesChoisir un modèleOptimiser le modèle gagnantDéployer le modèle3Régression linéaire
Prédire des nombresPlusieurs caractéristiquesMesurer les erreursGraphiques des résidusRécapitulatif : locations de vélos6Arbres de décision
Les arbres posent des questionsLire un arbreProfondeur de l’arbreImportance des caractéristiquesRécapitulatif : décisions de prêtEntraînez-vous par vous-même : Compilateur Python en ligne