Bases du Machine Learning
Machine Learning for Time Series Data in Python
Chris Holdgraf
Fellow, Berkeley Institute for Data Science
Commencez toujours par examiner vos données
array.shape
(10, 5)
array[:3]
array([[ 0.735528 , 1.00122818, -0.28315978],
[-0.94478393, 0.18658748, -0.00241224],
[-0.74822942, -1.46636618, 0.69835096]])
Commencez toujours par examiner vos données
df.head()
col1 col2 col3
0 0.735528 1.001228 -0.283160
1 -0.944784 0.186587 -0.002412
2 -0.748229 -1.466366 0.698351
3 1.038589 -0.171248 0.831457
4 -0.161904 0.003972 -0.321933
Visualisez toujours vos données
Vérifiez que tout ressemble à ce que vous attendez.
# Avec matplotlib
fig, ax = plt.subplots()
ax.plot(...)
# Avec pandas
fig, ax = plt.subplots()
df.plot(..., ax=ax)
Scikit-learn
Scikit-learn est la bibliothèque de Machine Learning la plus utilisée en Python
from sklearn.svm import LinearSVC
Préparer les données pour scikit-learn
scikit-learnattend une structure de données précise :(samples, features)Assurez-vous que vos données sont au moins bidimensionnelles
Assurez-vous que la première dimension correspond aux échantillons
Si la forme de vos données n'est pas correcte
- Si les axes sont inversés :
array.T.shape
(10, 3)
Si la forme de vos données n'est pas correcte
- S'il manque un axe, utilisez
.reshape():
array.shape
(10,)
array.reshape(-1, 1).shape
(10, 1)
-1remplit automatiquement cet axe avec les valeurs restantes
Ajuster un modèle avec scikit-learn
# Importer un classificateur à vecteurs de support
from sklearn.svm import LinearSVC
# Instancier le modèle
model = LinearSVC()
# Ajuster le modèle sur des données
model.fit(X, y)
Il est courant que y ait la forme (samples, 1)
Examiner le modèle
# Il y a un coefficient par variable d'entrée
model.coef_
array([[ 0.69417875, -0.5289162 ]])
Prédire avec un modèle ajusté
# Générer des prédictions
predictions = model.predict(X_test)
Passons à la pratique !
Machine Learning for Time Series Data in Python
