Vidéo: Cours Intelligence Artificielle de A à Z __ débutant à avancé en ML __ Machine learning 2025
Pour l'analyse prédictive, vous devez charger les données à utiliser pour vos algorithmes. Le chargement de l'ensemble de données Iris dans scikit est aussi simple que l'émission de quelques lignes de code car scikit a déjà créé une fonction pour charger l'ensemble de données.
| Longueur de sépale | Largeur de sépale | Longueur de pétale | Largeur de pétale | Classe / étiquette cible |
|---|---|---|---|---|
| 5. 1 | 3. 5 | 1. 4 | 0. 2 | Setosa (0) |
| 7. 0 | 3. 2 | 4. 7 | 1. 4 | Versicolor (1) |
| 6. 3 | 3. 3 | 6. 0 | 2. 5 | Virginica (2) |
-
Ouvrez une nouvelle session shell interactive Python.
Utilisez une nouvelle session Python pour qu'il n'y ait plus rien en mémoire et que vous ayez une table de travail propre à utiliser.
-
Entrez le code suivant dans l'invite et observez la sortie: >>>> de sklearn. datasets import load_iris >>> iris = load_iris ()
Après avoir exécuté ces deux instructions, vous ne devriez voir aucun message de l'interpréteur. La variable iris doit contenir toutes les données de l'iris. fichier csv.
La sortie sera tout le contenu de l'iris. fichier csv, ainsi que d'autres informations sur l'ensemble de données chargé par la fonction load_iris dans la variable. La variable est une structure de données de dictionnaire avec quatre propriétés principales. Les propriétés importantes de l'iris sont énumérées ci-dessous.
Nom de la propriété
Description| donnée | Contient toutes les mesures des observations. |
|---|---|
| nom_fonction | Contient le nom de l'entité (nom de l'attribut). |
| cible | Contient toutes les cibles (étiquettes) des observations. |
| target_names | Contient les noms des classes. |
| Vous pouvez imprimer les valeurs dans l'interpréteur en tapant le nom de la variable suivi du point suivi du nom de la propriété. Un exemple utilise l'iris. données pour accéder à la propriété de l'iris, comme ceci: >>>> iris. data | C'est un moyen standard d'accéder aux propriétés d'un objet dans de nombreux langages de programmation. |
Pour créer une instance du classificateur SVM, tapez le code suivant dans l'interpréteur: >>>> à partir de sklearn. svm import LinearSVC >>> svmClassifier = LinearSVC (random_state = 111)
La première ligne de code importe la bibliothèque Linear SVC dans la session. Le SVC (Support Vector Classifier) linéaire est une implémentation de SVM pour la classification linéaire et prend en charge plusieurs classes.L'ensemble de données est quelque peu séparable linéairement et a trois classes, donc ce serait une bonne idée d'expérimenter avec Linear SVC pour voir comment il fonctionne.
La deuxième ligne crée l'instance à l'aide de la variable svmClassifier. C'est une variable importante à retenir. Le paramètre random_state vous permet de reproduire ces exemples et d'obtenir les mêmes résultats. Si vous n'avez pas placé le paramètre random_state, vos résultats peuvent différer de ceux affichés ici.
