Notions de base en Machine Learning
Machine Learning pour les données chronologiques en 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
Assurez-vous qu'elles correspondent à vos attentes.
# 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 samples
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)
-1complète 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
# Un coefficient par caractéristique 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 pour les données chronologiques en Python
