Académique Documents
Professionnel Documents
Culture Documents
Compte Rendu Série 7
Compte Rendu Série 7
SÉRIE 7 : CLASSIFICATION
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 :
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 :
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.