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.
0 commentaire