Séance 5 : Utilisation de Bibliothèques Spécialisées en Machine Learning

Introduction à scikit-learn

scikit-learn est une bibliothèque Python qui offre des outils efficaces pour l'analyse de données et la modélisation statistique. Elle simplifie l'implémentation de nombreux algorithmes de machine learning.

Exercice : Régression linéaire avec scikit-learn

Objectif : Utiliser scikit-learn pour entraîner un modèle de régression linéaire sur un jeu de données simulé et comparer les résultats avec une implémentation manuelle.

Consignes :

1. Générer un jeu de données linéairement corrélé.
2. Utiliser LinearRegression pour entraîner le modèle.
3. Afficher les coefficients et tracer la droite de régression.

Exemple de code Python :

import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression

# Génération d'un jeu de données simulé
np.random.seed(0)
X = 2 * np.random.rand(100, 1)
y = 4 + 3 * X + np.random.randn(100, 1)

# Modèle avec scikit-learn
model = LinearRegression()
model.fit(X, y)
print("Coefficient :", model.coef_)
print("Intercept :", model.intercept_)

# Prédiction et visualisation
X_new = np.array([[0], [2]])
y_predict = model.predict(X_new)

plt.scatter(X, y, color='blue', label="Données")
plt.plot(X_new, y_predict, color='red', linewidth=2, label="Modèle")
plt.xlabel("x")
plt.ylabel("y")
plt.title("Régression linéaire avec scikit-learn")
plt.legend()
plt.show()