Commit 9e91a175 authored by TheophilePACE's avatar TheophilePACE
Browse files

supervisé V .1, clustering V.2

parent d8fa1bc4
%% Cell type:markdown id: tags:
# TP Apprentissage supervisé: Classification / Discrimination
Dans ce tp, on fait de la Classification / Discrimination, c'est à dire qu'on connait les "vrais" labels de nos classes.
On va utiliser les données Breast cancer dataset (classification).
Une description de ces données est disponible à https://scikit-learn.org/stable/datasets/index.html#breast-cancer-wisconsin-diagnostic-dataset. Jetez un coup d'oeil pour comprendre la probblématique.
Importer les libraries de ce matin: numpy et scikit datasets.
%% Cell type:code id: tags:
``` python
```
%% Cell type:code id: tags:
``` python
```
%% Cell type:markdown id: tags:
Charger les données depuis datasets.load_boston. Que renvoie ceette fonction ? Charger vos données dans des variables appelées X et y opur respectivement les données et les labels.
%% Cell type:markdown id: tags:
# Formatage du jeu de données
Pour entrainer nos alogrithmes, on va splitter notre jeu de données en 3 sous jeu de données:
- train
- validation
- test
Pourquoi est-ce nécessaire?
Pour cela, utiliser la fonction scikit-learn `sklearn.model_selection.train_test_split`. Importer cette méthode,
%% Cell type:code id: tags:
``` python
```
%% Cell type:markdown id: tags:
# K-NNs
On va lancer les k-nns sur ce dataset.Essayer K = 1. Essayer K = n (n est le nombre de samples). Commentez.
%% Cell type:code id: tags:
``` python
```
%% Cell type:markdown id: tags:
Comment choisir K? Essayer différents K, regarder les résultats.
%% Cell type:code id: tags:
``` python
```
%% Cell type:markdown id: tags:
# NBC / Algrotihme baeysien naif
On va maintenant utiliser l'agorithme baeysien naif, naive baeysian classifier pour les gens hype. Pour rappel, le modèle se base sur l'indépendance des _features_ et l'hypothèse gaussiennee. LEs amoureux de SY01 se souviendront de la formule de bayes:
$$
P(X | Y) = \frac{P(Y|X) \times P(X)}{P(Y)}
$$
Bref, commencez par importer le NBC depuis scikit-learn.
%% Cell type:markdown id: tags:
Consulter la doc pour connaître les arguments demandés. Utiliser cette algorithme sur le jeu boston
%% Cell type:markdown id: tags:
_Optionel_ Quels sont vos résultats? Essayer d'affichier vos clusters en 2D. (un peu chaud, à voir)
%% Cell type:markdown id: tags:
# Regression logistique
On va utiliser la regression logistique ou logistic regression.
Rappel de notre modèle, pour deux classes:
$$Pr(C_0 | features) + Pr(C_1 | features) = 1$$
$$Pr(C_1 | features) = \frac{1}{1+\exp^{w_O +w_1\times features}}$$
On veut donc déterminer $w = (w_0,w_1)$
Et, de manière assez inattendue, Scikit propose un implémentation de la regression logistique. La doc scikit est consultable ici: https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html .
Consulter la doc, lancer une regression logistique.
%% Cell type:markdown id: tags:
Quels sont vos résultats? Sont-ils meilleurs que pour le NBC?
%% Cell type:markdown id: tags:
Le principal avantage de la regerssion logistique est son interprétabilité, grâce aux poids.
Quelles sont les features qui vous ont permi de discriminer entre les classes? Utiliser pour cela les poids du vecteurs $w$.
%% Cell type:markdown id: tags:
_optionel_ Essayez de tracer vos classes dans $R^2$, en utilisant les 2 features les plus discriminantes.
%% Cell type:markdown id: tags:
# SVM -- Support Vector Machine
Machine à vecteur de Support ou Système à Vaste Marge pour les littéraires, les SVMs sont des algorithmes plus complexes. Ils perdent l'interprétabilité de la logitic regression, mais permettent d'obtenir des fronitères de décision non linéaires grâce au kernel. Très puissants, ils ont été les algorithmes phare des années 90s et début 2000s.
Le modèle est assez complexe, basé sur l'estimation de la marge. Voici pour rappel un schéma volé sur Wikipédia, qui présente le cas facilement séparable:
![](https://upload.wikimedia.org/wikipedia/commons/7/72/SVM_margin.png)
La puissance des SVM est basé sur la notion de Kernel explorée en détail ce matin. On utilisera le noyeau gaussien, appelé `rbf` dans scikit.
%% Cell type:markdown id: tags:
Étonnement, nous utiliserons l'implémentation scikit-learn. La doc est ici : https://scikit-learn.org/stable/modules/generated/sklearn.svm.SVC.html
importez cette méthode. Consulter la doc string ou documentation intégrée. Quels sont les paramètres?
%% Cell type:markdown id: tags:
Lancer un SVM sur nos données, avec un noyeau linéaire `kernel='linear'`.
%% Cell type:markdown id: tags:
Cela revient en fait à appliquer un classifieur linéaire sur le jeu de données. Quels sont vos résultats? Sont-ils très différents de ceux obtenus avec la regression logisitique ?
%% Cell type:markdown id: tags:
On va maintenant utiliser un noyeau non linéaire, le `rbf`. Réutilisez votre code précédent, en changeant simplement le kernel.
%% Cell type:markdown id: tags:
C'eest fini? Pas eencore? Toujours pas? La méthode est bien plus complexe que la regression logistique. Plus complexe --> plus de calculs --> plus lent.
Quels sont vos résultats? Sont-ils meilleurs que précédemment?
%% Cell type:markdown id: tags:
En fait, il n'y a pas que le kernel qui paramètrise votre SVM. Le paramètre de régularisation aussi.Pour l'instant quel est votre paramètre C? Regardez dans la doc.
Essayez `C=20`. Commentez vos résultats.
%% Cell type:markdown id: tags:
Chercher un `C` optimal. Nous verrons plus tard comment faire cela automatiquement.
%% Cell type:markdown id: tags:
_optionel_ Vous souvenez vous de la commande magic permettant de connaitre le temps pris par un ligne? `%timeit`
Comparer le temps pris par la régression logistique et le SVM.
%% Cell type:markdown id: tags:
# Arbres de décision
%% Cell type:code id: tags:
``` python
```
%% Cell type:code id: tags:
``` python
```
This diff is collapsed.
%% Cell type:markdown id: tags: %% Cell type:markdown id: tags:
# TP Clustering / non-supervisé # TP Clustering / non-supervisé
%% Cell type:markdown id: tags: %% Cell type:markdown id: tags:
Aujourd'hui, on utilisera les données proposées par scikit learn. Ces données sont déjà nettoyées, déjà prêtes dans la libraries. Aujourd'hui, on utilisera les données proposées par scikit learn. Ces données sont déjà nettoyées, déjà prêtes dans la libraries.
Pour commencer, importer les libraries : numpy, matplotlib et le module datasets de scikit-learn Pour commencer, importer les libraries : numpy, matplotlib et le module datasets de scikit-learn
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` python ``` python
``` ```
%% Cell type:markdown id: tags: %% Cell type:markdown id: tags:
Maintenant, on va utiliser les fonctions suivantes de la libraire dataset : datasets.make_circles, datasets.make_moons, datasets.make_blobs, datasets.make_blobs. Maintenant, on va utiliser les fonctions suivantes de la libraire dataset : datasets.make_circles, datasets.make_moons, datasets.make_blobs, datasets.make_blobs.
Consulter la documentation intégrées de ces méthodes. Consulter la documentation intégrées de ces méthodes.
Vous pouvez trouver des exemples d'utilisation de ces méthodes sur https://scikit-learn.org/stable/auto_examples/cluster/plot_cluster_comparison.html Vous pouvez trouver des exemples d'utilisation de ces méthodes sur https://scikit-learn.org/stable/auto_examples/cluster/plot_cluster_comparison.html
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` python ``` python
``` ```
%% Cell type:markdown id: tags: %% Cell type:markdown id: tags:
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].
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` python ``` python
``` ```
%% Cell type:markdown id: tags: %% Cell type:markdown id: tags:
Tracer les données générées dans $R^2$. Tracer les données générées dans $R^2$.
Commenter la difficulté du clustering. Commenter la difficulté du clustering.
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` python ``` python
``` ```
%% Cell type:markdown id: tags: %% Cell type:markdown id: tags:
# Formatage du jeu de données
%% Cell type:markdown id: tags:
Pour entrainer nos alogrithmes, on va splitter notre jeu de données en 3 sous jeu de données:
- train
- validation
- test
Pourquoi est-ce nécessaire?
Pour cela, utiliser la fonction scikit-learn `sklearn.model_selection.train_test_split`. Importer cette méthode,
%% Cell type:code id: tags:
``` python
```
%% Cell type:markdown id: tags:
# K-means # K-means
Utiliser les k-means sur chacun des datasets. __Conseil:__ : Une cellule par dataset pour plus de clarté. Utiliser les k-means sur chacun des datasets. __Conseil:__ : Une cellule par dataset pour plus de clarté.
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` python ``` python
``` ```
%% Cell type:markdown id: tags: %% Cell type:markdown id: tags:
Comment avez vous choisi K ? Faites quelques testes, commentez les résultats. Gardez le meilleur hyperparmètre K. Comment avez vous choisi K ? Faites quelques testes, commentez les résultats. Gardez le meilleur hyperparmètre K.
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` python ``` python
``` ```
%% Cell type:markdown id: tags: %% Cell type:markdown id: tags:
Relancer plusieurs fois pour chaque dataset. Obtenez-vous les mêmes résultats? Si non, pourquoi? Relancer plusieurs fois pour chaque dataset. Obtenez-vous les mêmes résultats? Si non, pourquoi?
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` python ``` python
``` ```
%% Cell type:markdown id: tags: %% Cell type:markdown id: tags:
# ACP / PCA / Principal Components Analysis # ACP / PCA / Principal Components Analysis
On a vu la PCA ce matin. La fonction Scikit pour cette transformation est `sklearn.decomposition.PCA`. À vrai dire, c'est un objet. Consulter la documentation rapidemment : https://scikit-learn.org/stable/modules/generated/sklearn.decomposition.PCA.html ou la doc intégrée. On a vu la PCA ce matin. La fonction Scikit pour cette transformation est `sklearn.decomposition.PCA`. À vrai dire, c'est un objet. Consulter la documentation rapidemment : https://scikit-learn.org/stable/modules/generated/sklearn.decomposition.PCA.html ou la doc intégrée.
Effectuer une PCA sur vos données avec 2 composants. Effectuer une PCA sur vos données avec 2 composants.
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` python ``` python
``` ```
%% Cell type:markdown id: tags: %% Cell type:markdown id: tags:
Commentez la variance que vous avez pu expliquer. Commentez la variance que vous avez pu expliquer.
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` python ``` python
``` ```
%% Cell type:markdown id: tags: %% Cell type:markdown id: tags:
Charger le jeu de données iris. Ce jeu de données est un dataset très connu, assez facile. Charger le jeu de données iris. Ce jeu de données est un dataset très connu, assez facile.
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` python ``` python
``` ```
%% Cell type:markdown id: tags: %% Cell type:markdown id: tags:
Effectuer une PCA. Quelle est la variance expliquée? Effectuer une PCA. Quelle est la variance expliquée?
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` python ``` python
``` ```
%% Cell type:markdown id: tags: %% Cell type:markdown id: tags:
Finalement, tracer ce jeu de données dans $R^2$. Est-ce facile de retrouver des clusters? Finalement, tracer ce jeu de données dans $R^2$. Est-ce facile de retrouver des clusters?
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` python ``` python
``` ```
%% Cell type:markdown id: tags: %% Cell type:markdown id: tags:
# Si vous vous ennuyez # Si vous vous ennuyez
Si vous avez le temps, essayez de lancer un k-means sur les iris. Ensuite, effectuez une PCA, puis relancer des k-means. Si vous avez le temps, essayez de lancer un k-means sur les iris. Ensuite, effectuez une PCA, puis relancer des k-means.
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` python ``` python
``` ```
%% Cell type:markdown id: tags: %% Cell type:markdown id: tags:
Est-ce que vos résultats sont différents ? Est-ce que vos résultats sont différents ?
Essayer de tracer vos résultats, en indiquant les clusters trouvés. Essayer de tracer vos résultats, en indiquant les clusters trouvés.
%% Cell type:code id: tags: %% Cell type:code id: tags:
``` python ``` python
``` ```
......
Markdown is supported
0% or .
You are about to add 0 people to the discussion. Proceed with caution.
Finish editing this message first!
Please register or to comment