Académique Documents
Professionnel Documents
Culture Documents
IA et Machine
Learning
Travaux pratiques
Elaboré par
2. Paramétrer le modèle.
2
Ces 4 étapes sont en général communes à l’utilisation d’un grand nombre de modèles
disponibles dans la librairie ce qui permet de pouvoir très facilement utiliser d’autres modèles.
3
Pour cela, on va utiliser une base de données appelée « seaborn » qui contient les données
des voyageurs qui ont été présents (sexe, âge, classe, survivant….). Cette base n’est pas
complète et elle contient des données manquantes (on n’a pas des informations sur tous les
voyageurs).
1. Importer les librairies et la base de données nécessaire pour réaliser cet exercice.
import sklearn
import numpy as np
import pandas as pd
import seaborn as sns
titanic=sns.load_dataset('titanic')
titanic.shape
titanic.head()
4
7. Évaluer le modèle.
model.score(X, y)
2. En suivant le même principe des exercices précédents, utiliser la classification Isolation forest
en utilisant les fonctions « IsolationForest ». Que remarquez-vous ?
5
X = digits.data
y = digits.target
print(X.shape)
model = PCA(n_components=2)
X_reduced= model.fit_transform(X)
plt.scatter(X_reduced[:,0], X_reduced[:,1], c=y)
plt.colorbar()
model1 = PCA(n_components=64)
X_reduced1= model1.fit_transform(X)
rat=np.cumsum(model1.explained_variance_ratio_) #on va de 14%
à 100%
#print(rat)
#plt.plot(rat)
valeur=np.argmax(np.cumsum(model1.explained_variance_ratio_))
print(valeur) #a partir de la valeur de 60 on atteint 99%
model2 = PCA(n_components=60)
X_reduced2= model2.fit_transform(X)
X_recovred=model2.inverse_transform(X_reduced2)
plt.imshow(X_recovred[0].reshape(8, 8))