Cheatsheet pour utiliser de scikit-learn en Python

Voici un cheatsheet pour l’utilisation de scikit-learn en Python, couvrant les étapes essentielles de l’importation des données à l’évaluation des modèles.

Installation de scikit-learn

# Installer scikit-learn (si ce n'est pas déjà fait)
!pip install scikit-learn

Importation des bibliothèques

import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler, LabelEncoder
from sklearn.linear_model import LinearRegression, LogisticRegression
from sklearn.tree import DecisionTreeClassifier
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score, confusion_matrix, classification_report, mean_squared_error, r2_score

Chargement et préparation des données

# Lire un fichier CSV
df = pd.read_csv('path/to/your/csvfile.csv')

# Séparer les caractéristiques (features) et la variable cible (target)
X = df.drop(columns='target')
y = df['target']

# Diviser les données en ensembles d'entraînement et de test
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# Normaliser les caractéristiques
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)

Encodage des variables catégorielles

# Encodage des étiquettes si nécessaire
label_encoder = LabelEncoder()
y_train_encoded = label_encoder.fit_transform(y_train)
y_test_encoded = label_encoder.transform(y_test)

Entraînement de modèles

Régression linéaire

# Régression linéaire
lin_reg = LinearRegression()
lin_reg.fit(X_train_scaled, y_train)

# Prédictions et évaluation
y_pred = lin_reg.predict(X_test_scaled)
print("MSE:", mean_squared_error(y_test, y_pred))
print("R2 Score:", r2_score(y_test, y_pred))

Régression logistique

# Régression logistique
log_reg = LogisticRegression()
log_reg.fit(X_train_scaled, y_train_encoded)

# Prédictions et évaluation
y_pred = log_reg.predict(X_test_scaled)
print("Accuracy:", accuracy_score(y_test_encoded, y_pred))
print(confusion_matrix(y_test_encoded, y_pred))
print(classification_report(y_test_encoded, y_pred))

Arbre de décision

# Arbre de décision
tree_clf = DecisionTreeClassifier()
tree_clf.fit(X_train_scaled, y_train_encoded)

# Prédictions et évaluation
y_pred = tree_clf.predict(X_test_scaled)
print("Accuracy:", accuracy_score(y_test_encoded, y_pred))
print(confusion_matrix(y_test_encoded, y_pred))
print(classification_report(y_test_encoded, y_pred))

Forêt aléatoire

# Forêt aléatoire
forest_clf = RandomForestClassifier()
forest_clf.fit(X_train_scaled, y_train_encoded)

# Prédictions et évaluation
y_pred = forest_clf.predict(X_test_scaled)
print("Accuracy:", accuracy_score(y_test_encoded, y_pred))
print(confusion_matrix(y_test_encoded, y_pred))
print(classification_report(y_test_encoded, y_pred))

Sélection des hyperparamètres

Recherche par grille

pythonCopier le codefrom sklearn.model_selection import GridSearchCV

# Exemple avec la forêt aléatoire
param_grid = {
    'n_estimators': [100, 200, 300],
    'max_depth': [None, 10, 20, 30]
}

grid_search = GridSearchCV(forest_clf, param_grid, cv=5, scoring='accuracy')
grid_search.fit(X_train_scaled, y_train_encoded)

print("Best parameters:", grid_search.best_params_)
print("Best score:", grid_search.best_score_)

Évaluation des modèles

Courbe ROC et AUC

from sklearn.metrics import roc_curve, roc_auc_score

# Prédictions probabilistes
y_proba = log_reg.predict_proba(X_test_scaled)[:, 1]

# Courbe ROC
fpr, tpr, thresholds = roc_curve(y_test_encoded, y_proba)
plt.figure(figsize=(8, 6))
plt.plot(fpr, tpr, label='ROC curve')
plt.plot([0, 1], [0, 1], 'k--', label='Random guess')
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.title('Receiver Operating Characteristic (ROC) Curve')
plt.legend()
plt.show()

# AUC
auc_score = roc_auc_score(y_test_encoded, y_proba)
print("AUC Score:", auc_score)

Exemple complet

import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler, LabelEncoder
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score, confusion_matrix, classification_report, roc_curve, roc_auc_score
import matplotlib.pyplot as plt

# Charger les données
df = pd.read_csv('path/to/your/csvfile.csv')

# Préparer les caractéristiques et la variable cible
X = df.drop(columns='target')
y = df['target']

# Diviser les données
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# Normaliser les caractéristiques
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)

# Encoder la variable cible
label_encoder = LabelEncoder()
y_train_encoded = label_encoder.fit_transform(y_train)
y_test_encoded = label_encoder.transform(y_test)

# Entraîner le modèle
log_reg = LogisticRegression()
log_reg.fit(X_train_scaled, y_train_encoded)

# Prédictions
y_pred = log_reg.predict(X_test_scaled)
y_proba = log_reg.predict_proba(X_test_scaled)[:, 1]

# Évaluation
print("Accuracy:", accuracy_score(y_test_encoded, y_pred))
print(confusion_matrix(y_test_encoded, y_pred))
print(classification_report(y_test_encoded, y_pred))

# Courbe ROC
fpr, tpr, thresholds = roc_curve(y_test_encoded, y_proba)
plt.figure(figsize=(8, 6))
plt.plot(fpr, tpr, label='ROC curve')
plt.plot([0, 1], [0, 1], 'k--', label='Random guess')
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.title('Receiver Operating Characteristic (ROC) Curve')
plt.legend()
plt.show()

# AUC
auc_score = roc_auc_score(y_test_encoded, y_proba)
print("AUC Score:", auc_score)

Avec ce cheatsheet, vous avez un guide complet pour utiliser scikit-learn pour la préparation des données, l’entraînement des modèles, et l’évaluation des performances en Python.