supervisé V .1, clustering V.2

TP/TP2_mardi/tp_clustering.ipynb

@@ -12,7 +12,7 @@
    "metadata": {},
    "source": [
     "Aujourd'hui, on utilisera les données proposées par scikit learn. Ces données sont déjà nettoyées, déjà prêtes dans la libraries. \n",
-    "Pour commencer, importer les libraries : numpy, matplotlib et le module datasets de scikit-learn"
+    "Pour commencer, importez les libraries : numpy, matplotlib et le module datasets de scikit-learn"
    ]
   },
   {
@@ -26,8 +26,8 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "Maintenant, on va utiliser les fonctions suivantes de la libraire dataset : datasets.make_circles, datasets.make_moons, datasets.make_blobs, datasets.make_blobs.\n",
-    "Consulter la documentation intégrées de ces méthodes.\n",
+    "Maintenant, on va utiliser les fonctions suivantes de la librairie `dataset` : `datasets.make_circles`, `datasets.make_moons`, `datasets.make_blobs`, `datasets.make_blobs`.\n",
+    "Consultez la documentation intégrée de ces méthodes.\n",
     "Vous pouvez trouver des exemples d'utilisation de ces méthodes sur https://scikit-learn.org/stable/auto_examples/cluster/plot_cluster_comparison.html "
    ]
   },
@@ -56,7 +56,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "Tracer les données générées dans $R^2$.\n",
+    "Tracer les données générées dans le plan ($R^2$).\n",
     "Commenter la difficulté du clustering."
    ]
   },
@@ -67,12 +67,40 @@
    "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",
+    "\n",
+    "Pourquoi est-ce nécessaire?\n",
+    "\n",
+    "Pour cela, utilisez la fonction scikit-learn `sklearn.model_selection.train_test_split`. Importez cette méthode, "
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": []
+  },
   {
    "cell_type": "markdown",
    "metadata": {},
    "source": [
     "# K-means\n",
-    "Utiliser les k-means sur chacun des datasets. __Conseil:__ : Une cellule par dataset pour plus de clarté."
+    "Utilisez les k-means sur chacun des datasets. __Conseil:__ : Une cellule par dataset pour plus de clarté."
    ]
   },
   {
@@ -86,7 +114,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "Comment avez vous choisi K ? Faites quelques testes, commentez les résultats. Gardez le meilleur hyperparmètre K. "
+    "Comment avez-vous choisi K ? Faites quelques tests, commentez les résultats. Gardez le meilleur hyperparmètre K. "
    ]
   },
   {
@@ -100,7 +128,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "Relancer plusieurs fois pour chaque dataset. Obtenez-vous les mêmes résultats? Si non, pourquoi?"
+    "Relancez plusieurs fois pour chaque dataset. Obtenez-vous les mêmes résultats? Si non, pourquoi?"
    ]
   },
   {
@@ -116,7 +144,7 @@
    "source": [
     "# ACP / PCA / Principal Components Analysis\n",
     "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.\n",
-    "Effectuer une PCA sur vos données avec 2 composants. "
+    "Effectuez une PCA sur vos données avec 2 composantes. "
    ]
   },
   {
@@ -144,7 +172,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "Charger le jeu de données iris. Ce jeu de données est un dataset très connu, assez facile. "
+    "Chargez le jeu de données iris. Ce jeu de données est un dataset très connu, assez facile. "
    ]
   },
   {
@@ -158,7 +186,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "Effectuer une PCA. Quelle est la variance expliquée?"
+    "Effectuez une PCA. Quelle est la variance expliquée?"
    ]
   },
   {
@@ -172,7 +200,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "Finalement, tracer ce jeu de données dans $R^2$. Est-ce facile de retrouver des clusters?"
+    "Finalement, tracez ce jeu de données dans $R^2$. Est-il facile de retrouver des clusters?"
    ]
   },
   {
@@ -187,7 +215,7 @@
    "metadata": {},
    "source": [
     "# Si vous vous ennuyez\n",
-    "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 relancez des k-means."
    ]
   },
   {
@@ -202,7 +230,7 @@
    "metadata": {},
    "source": [
     "Est-ce que vos résultats sont différents ? \n",
-    "Essayer de tracer vos résultats, en indiquant les clusters trouvés."
+    "Essayez de tracer vos résultats, en indiquant les clusters trouvés."
    ]
   },
   {
@@ -230,6 +258,30 @@
    "nbconvert_exporter": "python",
    "pygments_lexer": "ipython3",
    "version": "3.6.6"
+  },
+  "toc": {
+   "colors": {
+    "hover_highlight": "#DAA520",
+    "navigate_num": "#000000",
+    "navigate_text": "#333333",
+    "running_highlight": "#FF0000",
+    "selected_highlight": "#FFD700",
+    "sidebar_border": "#EEEEEE",
+    "wrapper_background": "#FFFFFF"
+   },
+   "moveMenuLeft": true,
+   "nav_menu": {
+    "height": "102px",
+    "width": "252px"
+   },
+   "navigate_menu": true,
+   "number_sections": true,
+   "sideBar": true,
+   "threshold": 4,
+   "toc_cell": false,
+   "toc_section_display": "block",
+   "toc_window_display": false,
+   "widenNotebook": false
   }
  },
  "nbformat": 4,