Exercice 50 / 100

Machine Learning basique

ConsigneEntraînez une régression linéaire sur des données simples

📖 Cours

scikit-learn (alias sklearn) est la bibliothèque de référence pour le machine learning en Python. Elle suit une api homogène : fit / predict / score.

Installation : pip install scikit-learn

Les 3 étapes universelles

1. créer le modèle              modele = MaClasse(params)2. l'entraîner sur des données  modele.fit(X, y)3. prédire / évaluer            modele.predict(X_new)                                modele.score(X, y)

Les trois temps de scikit-learn, les mêmes pour tous ses modèles : on donne X en deux dimensions et y, fit cherche les paramètres, puis le modèle entraîné prédit sur de nouvelles données

Vocabulaire

X    →  features (variables d'entrée)         matrice 2D (n_samples, n_features)y    →  target (variable à prédire)            vecteur 1D (n_samples,)fit  →  l'apprentissage : trouver les paramètres du modèlepredict  →  utiliser le modèle entraîné sur de nouvelles données

X est toujours 2D, même pour une seule feature. Astuce : X.reshape(-1, 1) ou np.array([[1],[2],[3]]).

Exemple : régression linéaire

Objectif : trouver la droite y = a·x + b qui passe au mieux par les points.

from sklearn.linear_model import LinearRegressionimport numpy as np

X = np.array([[1],[2],[3],[4],[5]]) # 5 exemples, 1 featurey = np.array([2, 4, 5, 4, 5])

modele = LinearRegression()modele.fit(X, y) # apprentissage

print(f'Coef: {modele.coef_[0]:.2f}')      # pente aprint(f'Intercept: {modele.intercept_:.2f}')  # ordonnée bprint(f'Prédiction x=6: {modele.predict([[6]])[0]:.2f}')print(f'Score R²: {modele.score(X, y):.3f}')

Le score R² (R-carré)

R² = 1    →  modèle parfaitR² = 0    →  pas mieux que prédire la moyenneR² < 0    →  pire que la moyenne (modèle inadapté)

Pour de la classification, on utilise plutôt l'accuracy (% de bonnes prédictions).

sklearn fournit des dizaines de modèles : LogisticRegression, DecisionTreeClassifier, RandomForestClassifier, KMeans, etc. Tous suivent la même api fit/predict — c'est la grande force de la lib.