Compte Rendu

SÉRIE 7 : CLASSIFICATION

Réalisé par : JENNANE Ikram

Responsable : Pr .BOUARAFA Saleh
Exercice 1 :

1. Charger les données et afficher un aperçu des échantillons :

2. Diviser les données en un ensemble d'entraînement et un ensemble de test :

3. Utiliser un algorithme de classification (par exemple, les k-plus proches voisins) pour
entraîner un modèle sur l'ensemble d'entraînement :
4. Évaluer les performances du modèle en utilisant l'ensemble de test :

5. Utiliser le modèle entraîné pour prédire la classe d'une nouvelle fleur iris avec les
attributs suivants : longueur du sépale = 5.0 cm, largeur du sépale = 3.6 cm, longueur du
pétale = 1.4 cm, largeur du pétale = 0.2 cm :
Exercice 2 :
1. Créer les données et afficher les premières lignes pour visualiser les échantillons :

2. Séparer les échantillons en deux ensembles : un ensemble d'entraînement et un ensemble

de test :
3. Prétraiter les données en utilisant une normalisation MinMax :

4. Appliquer l'algorithme de classification des k-plus proches voisins (k-NN) pour prédire si
un nouveau patient est atteint ou non de la maladie :

5. Évaluer les performances de l'algorithme en utilisant la précision, le rappel et le score F1 :

Exercice 3 :

Pour créer un jeu de données conforme à la description donnée, vous pouvez utiliser
la bibliothèque NumPy en Python. Voici comment vous pouvez procéder :
Dans cet exemple, nous avons défini les vecteurs moyens μ1 et μ2 pour chaque classe, ainsi que
la matrice de covariance commune Σ. Ensuite, nous avons utilisé la fonction
np.random.multivariate_normal pour générer les échantillons pour chaque classe en utilisant les
vecteurs moyens et la matrice de covariance. Nous avons également attribué les étiquettes de
classe 0 pour C1 et 1 pour C2.

Ensuite, nous avons concaténé les échantillons et les étiquettes des deux classes, puis nous les
avons mélangés à l'aide de la fonction np.random.permutation. Enfin, nous avons affiché les
premiers échantillons et leurs étiquettes de classe pour vérification.