Improvements clustering

TP/TP2_mardi/tp_clustering.ipynb

@@ -42,7 +42,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "Générer 4 datasets, avec les paramètres suivants: n = 100, noise = .05, random_state = 8, cluster_std=[1.0, 2.5, 0.5]."
+    "Générer 4 datasets, avec les paramètres suivants: `n = 100`, `noise = .05`, `random_state = 8`, `cluster_std=[1.0, 2.5, 0.5]`."
    ]
   },
   {
@@ -56,36 +56,14 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "Tracer les données générées dans le plan ($R^2$).\n",
-    "Commenter la difficulté du clustering."
-   ]
-  },
-  {
-   "cell_type": "code",
-   "execution_count": null,
-   "metadata": {},
-   "outputs": [],
-   "source": []
-  },
-  {
-   "cell_type": "markdown",
-   "metadata": {},
-   "source": [
-    "# Formatage du jeu de données"
-   ]
-  },
-  {
-   "cell_type": "markdown",
-   "metadata": {},
-   "source": [
-    "Pour entrainer nos algorithmes, on va splitter notre jeu de données en 3 sous-jeux de données: \n",
-    "- train\n",
-    "- validation\n",
-    "- test\n",
+    "Tracer les données générées dans le plan ($R^2$). Utiliser:\n",
+    "```\n",
+    "fig, ax = plt.subplots()\n",
+    "plt.scatter(X[:, 0], X[:, 1], s=10)\n",
+    "plt.show()\n",
+    "```\n",
     "\n",
-    "Pourquoi est-ce nécessaire?\n",
-    "\n",
-    "Pour cela, utilisez la fonction scikit-learn `sklearn.model_selection.train_test_split`. Importez cette méthode, "
+    "Commenter la difficulté du clustering."
    ]
   },
   {
@@ -257,7 +235,7 @@
    "name": "python",
    "nbconvert_exporter": "python",
    "pygments_lexer": "ipython3",
-   "version": "3.6.6"
+   "version": "3.7.1"
   },
   "toc": {
    "colors": {