Entraînement du modèle
Machine Learning de bout en bout
Joshua Stapleton
Machine Learning Engineer
Rasoir d’Occam
- L’explication suffisante la plus simple est la meilleure
- Privilégier des modèles simples lors du choix
Options de modélisation
Régression logistique
- Trouve la frontière de décision entre classes
sklearn.linear_model.LogisticRegression
Classifieur à vecteurs de support
- Trouve un plan séparant les classes
sklearn.svm.SVC
Arbre de décision
- Trouve des « règles » simples pour classer
sklearn.tree.DecisionTreeClassifier
Forêt aléatoire
- Combine plusieurs arbres de décision
sklearn.ensemble.RandomForestClassifier
Autres modèles
Modèles de deep learning
- Réseaux de neurones
- Réseaux de neurones convolutifs
- Generative Pretrained Transformer (GPT)
K plus proches voisins (KNN)
- Algorithme d’apprentissage supervisé
XGBoost
- Modèle de gradient boosting
- https://xgboost.readthedocs.io/en/stable/
Principes d’entraînement
Modèle :
- Utilise des données nettoyées et des features traitées
- Apprend des motifs dans les données d’entraînement
- Vise à prédire la cible du diagnostic de maladie cardiaque
Principes :
- Le modèle doit généraliser à des données inédites (hors ensemble d’entraînement)
- Mettre de côté des données (« hold-out ») pour tester après l’entraînement
- Répartition entraînement/test généralement 70/30 ou 80/20
- Peut utiliser
sklearn.model_selection.train_test_split
Entraîner un modèle
# Importing necessary libraries from sklearn.model_selection import train_test_split from sklearn.linear_model import LogisticRegression# Split the data into training and testing sets (80:20) X_train, X_test, y_train, y_test = train_test_split(features, heart_disease_y, test_size=0.2, random_state=42)# Define the models logistic_model = LogisticRegression(max_iter=200)# Train the model logistic_model.fit(X_train, y_train)
Obtenir des prédictions
# Jane Doe's health data, for example: [age, cholesterol level, blood pressure, etc.] jane_doe_data = [45, 230, 120, ...]# Reshape the data to 2D, because scikit-learn expects a 2D array-like input jane_doe_data = jane_doe_data.reshape(1, -1)# Use the model to predict Jane's heart disease diagnosis probabilities jane_doe_probabilities = logistic_model.predict_proba(jane_doe_data) jane_doe_prediction = logistic_model.predict(jane_doe_data)
Obtenir des prédictions (suite)
# Print the probabilities
print(f"Jane Doe's predicted probabilities: {jane_doe_probabilities[0]}")
print(f"Jane Doe's predicted health condition: {jane_doe_prediction[0]}")
Probabilités prévues pour Jane Doe : [0.2 0.8]État de santé prévu pour Jane Doe : 1
Passons à la pratique !
Machine Learning de bout en bout
