Jeux d’entraînement et de test

Fait partie de la section Apprentissage supervisé du Journey Machine Learning de Coddy. Leçon 2 sur 58.

Un modèle peut mémoriser les lignes qu’il a étudiées ; le tester sur celles-ci ne prouve donc rien. Mettez plutôt certaines lignes de côté : le jeu de test représente les nouvelles données.

Douze lignes numérotées, dans l’ordre, sont mélangées et distribuées : neuf cellules bleues, 10 2 8 1 7 9 3 0 5, étiquetées entraînement, et trois cellules orange, 6 11 4, étiquetées test

Le premier modèle de ce parcours a étudié 112 fleurs d’iris et en a nommé 38. Cette ligne les a réparties :

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split

iris = load_iris()
X = iris.data
y = iris.target
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25, random_state=0)
print(X_train.shape, X_test.shape)

Cela affiche (112, 4) (38, 4). Les quatre parties sont toujours dans cet ordre, et random_state=0 permet de répéter le mélange.

Entraîne-toi sur l'ensemble d'entraînement. Ouvre l'ensemble de test une seule fois, à la fin.

Défi

Facile

Une caméra nocturne dans un bois a photographié 200 animaux, chacun étant un renard ou un blaireau, dans camera.csv. Une séparation donnera-t-elle un test équitable ? Le code de départ construit X et y et lit test_size.

Effectue la séparation avec ce test_size et random_state=0.
Affiche les tailles comme ci-dessous.
Affiche la proportion de renards dans chaque partie, en pourcentages entiers.

Pour un autre bois et 0.25 :

Train: 90 snapshots
Test: 30 snapshots
Foxes: 52% of train, 47% of test

Essayez vous-même

import pandas as pd

# Une ligne par cliché pris par la caméra nocturne
camera = pd.read_csv("camera.csv")
X = camera[["minutes_after_sunset", "length_cm", "speed_kmh"]]
y = camera["animal"]
test_size = float(input())

# Écrivez votre code ci-dessous