Le machine learning, c'est de donner à une machine la capacité d'apprendre sans la programmer de manière explicite.
Cette machine développe un modèle à partir de données.
Le modèle d'apprentissage peut être réalisé de manière supervisée, non supervisée ou par renforcement.
I. L'apprentissage supervisé
On rentre dans le modèle des features X (facteurs ou caractéristiques) sous la forme de matrice (tableau de données) et ressort un label (target ou cible) sous la forme d'un vecteur y
Sklearn
# Modèle de régression linéaire
model = LinearRegression()
#Entrainement
model.fit(X, y)
#Evaluation
model.score(X, y)
model.predict(X)
# Régression logistique
model = LogisticRegression()
model.fit(X, y)
model.score(X, y)
model.predict(X)
# Support Vector Machine
model = SVC()
model.fit(X, y)
model.score(X, y)
model.predict(X)
# Random Forest
model = RandomForestClassifier()
model.fit(X, y)
model.score(X, y)
model.predict(X)
# Création du modele
model = MLPClassifier(hidden_layer_sizes=(10,10,10), max_iter=1000)
model.fit(X, y)
model.score(X, y)
model.predict(X)
II. Probleme de Regression lineaire
#Probleme de regression linéaire
import numpy as np
import matplotlib.pyplot as plt
np.random.seed(0)
m = 100
X = np.linspace(0,10,m).reshape(m,1)
y = X + np.random.randn(m,1)
#plt.scatter(X,y)
#plt.show()
from sklearn.linear_model import LinearRegression
model = LinearRegression()
model.fit(X,y)
score = model.score(X,y)
print(score)
predict_y = model.predict(X)
#print(predict_y)
plt.scatter(X,y)
plt.plot(X,predict_y,c="r")
#plt.show()
#meilleur modele
from sklearn.svm import SVR
model = SVR(C=100)
model.fit(X,y)
score = model.score(X,y)
print(score)
II.2. Problème de Classification
#pip install seaborn
import seaborn as sns
titanic = sns.load_dataset('titanic')
#print(titanic.shape)
#print(titanic.head())
titanic = titanic[['survived','pclass','sex','age']]
titanic.dropna(axis=0,inplace=True)
titanic['sex'].replace(['male','female'],[0,1],inplace=True)
#print(titanic.head())
from sklearn.neighbors import KNeighborsClassifier
model = KNeighborsClassifier(n_neighbors=5)#n_neighbors nb voisins
y = titanic['survived']
X = titanic.drop('survived',axis=1)
model.fit(X,y)
score = model.score(X,y)
print(score)
def survie(model,pclass=1,sex=0,age=50):
x = np.array([pclass,sex,age]).reshape(1,3)
print(model.predict(x))
print(model.predict_proba(x))
survie(model)