Académique Documents
Professionnel Documents
Culture Documents
MACHINE LEARNING
participants :
PROFESSEUR :
KOUAKOU REBECCA
DOUA ZEREKO BORIS DR. KANGA
BAKAYOKO ZAKARYA
SOMMAIRE
INTRODUCTION
I. ALGORITHME SVM
A. Fonctionnement de base
B. Principe de fonctionnement de la marge et de la séparation des classes
II. IMPLEMENTATION
A. Préparation des données, choix des paramètres et du noyau
B. Entrainement et Evaluation du modèle
CONCLUSION
1
INTRODUCTION
I. ALGORITHME SVM
A. Fonctionnement de base
Les SVM sont des classificateurs qui permettent de traiter des problèmes non
linéaires en les reformulant en problèmes d’optimisation quadratique pour les
minimiser de sorte a ce qu’ils soient beaucoup plus faciles à les résoudre.
Ces méthodes reposent sur deux idées clés : la notion de marge maximale et la
notion de fonction noyau.
2
- la marge maximale est la frontière de séparation des données qui maximise la
distance entre la frontière de séparation et les données les plus proches
-la fonction noyau : la fonction noyau joue un rôle essentiel dans la capacité
des SVM à traiter des problèmes non linéaires en transformant les données en une
forme plus adaptée pour la classification. En d’autres termes c’est une méthode qui
permet de rendre les données facilement traitables.
II. IMPLEMENTATION
A. Préparation des données, choix des paramètres et du noyau
3
correction des valeurs aberrantes, le traitement des données manquantes et la
suppression des données redondantes ou non pertinentes. La normalisation est
essentielle pour mettre à l'échelle les caractéristiques afin qu'elles aient une plage
similaire, ce qui est particulièrement important pour les modèles comme SVM qui
peuvent être sensibles à l'échelle des caractéristiques. Enfin, la transformation des
caractéristiques peut inclure des techniques telles que l'extraction de
caractéristiques ou la réduction de dimensionnalité pour rendre les données plus
appropriées pour le modèle.
import tkinter as tk
import numpy as np
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split
return X, y
4
# Application de la même transformation de normalisation sur les données de
test
X_test_scaled = scaler.transform(X_test)
root.mainloop()
5
B- Entraînement et évaluation du modèle:
Entraînement du Modèle:
Évaluation du Modèle:
6
Exemple de code pour l'évaluation du modèle SVM:
CONCLUSION
Les SVM sont des outils parmi tant d’autres pour faire de la classification, ils sont
utilisés dans une très grande variétés de domaines, allant de la médecine, à la
recherche d’information en passant par la finance.