Ministère de l’Enseignement Supérieur et de la Recherche Scientifique
Université de Carthage
Institut Supérieur des Technologies de l’Information et de la Communication
Année Universitaire : 2021/2022
TP 3: Intelligence Artificielle (IA)
Enseignante: Classes:
&
Jihene LATRECH 3ème IOT/ 3ème IRS
Machine Learning (ML)
La Régression Linéaire
La régression linéaire est un algorithme de d’apprentissage supervisé de type régression. Les
algorithmes de régression permettent de prédire des valeurs continues à partir de valeurs prédictives.
Exemple : prédire le prix d’une maison en fonction de ses caractéristiques
La régression linéaire univariée: Il s’agit d’effectuer des corrélations simples entre deux variables
quantitatives dans un jeu de données. Un ensemble d’entrées et les sorties correspondantes sont
examinés et quantifiés pour montrer une relation.
On doit estimer une relation linéaire entre 2 variables quantitatives X et Y. X une variable d’entrée dite
explicative ( indépendante ) et Y une variable expliquée (dépendante).
Il s’agit de déterminer la fonction linéaire ( la droite ) : Yi= a X i+ b pour chaque observation i de
l’ensemble des observations.
TP La Régression Linéaire
Dans ce TP, on utilise un jeu de données simple de kaggle qui est un jeu de données de poids et de
hauteurs sur lequel on applique un algorithme de régression linéaire.
Lien de téléchargement du dataset «[Link] »:
[Link]
Les données contiennent les variables : Genre, Hauteur (m), Poids (kg)
Objectif : Prédire le poids d'une personne à partir de sa taille.
# Importation des bibliothèques
# Importation de la bibliothèque Pandas
import pandas as pd
1
# Importation des bibliothèques Matplotlib et Seaborn pour la visualisation des données
import [Link] as plt
import seaborn as sns
# Importation du dataset dans un dataframe
df= pd.read_csv('[Link]')
# Exploration des données
# Afficher les données importées: Afficher l’ensemble des colonnes et des lignes du dataset.
print(df)
# Afficher les dimensions du dataframe
print([Link])
# Vérifier si le dataframe contient des valeurs null.
print([Link]().any().any())
# Afficher les colonnes ayant des valeurs nulles
print([Link]().any())
La régression linéaire :
Pour effectuer la régression linéaire univariée (simple), on se limite à deux variables:
• La variable explicative (prédictive) : La taille, Height
• La variable expliquée (observée): Le poids, Weight
On souhaite prédire la valeur de " Weight " en fonction de la valeur de " Height ".
Etape 1: Sélection de la variable prédictive et de la variable observée
# X- La variable explicative
X = [Link][:, 1:2].values
print(X)
# y- La variable expliquée
y = [Link][:, 2].values
print(y)
# visualisations des données: un nuage de points
axes=[Link]()
[Link]() # dessiner une grille
[Link](X,y) # X et y sont les variables extraites
[Link]()
[Link]()
Etape 2: Partitionnement du jeu de données en ensembles d'entraînement et de test.
#partitionner le jeu de données en un ensemble d'apprentissage qui contient 80% des observations
# et un ensemble de test 20%.
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)
# La normalisation des données: Standard Scalar
from [Link] import StandardScaler
sc = StandardScaler()
X_train = sc.fit_transform(X_train)
X_test = [Link](X_test)
print(X)
print(X_train)
2
Etape 3: Construction du modèle linéaire – Régression Linéaire Simple (Univariée)
from sklearn.linear_model import LinearRegression
regressor = LinearRegression()
[Link](X_train, y_train)
# Prediction du test set
y_pred = [Link](X_test)
print (y_test)
print (y_pred)
Etape 4: Visualisation des résultats
# Visualisation des résultats du training set
axes=[Link]()
[Link]()
[Link](X_train, y_train, color = 'Yellow')
[Link](X_train, [Link](X_train), color = 'red', linewidth=2)
[Link]('Hight vs Weights (Training set)')
[Link]('Hight')
[Link]('Weight')
[Link]()
# Visualisation des résultats du test set
axes=[Link]()
[Link]()
[Link](X_test, y_test, color = 'blue')
[Link](X_train, [Link](X_train), color = 'red', linewidth=2)
[Link]('Hight vs weights (Test set)')
[Link]('Height')
[Link]('Weight')
[Link]()
[Link]()
Etape 5: Vérification de l'exactitude du modèle : performances de l’algorithme
#Affichage du coefficient de détermination R2
R= [Link](X_test, y_test)
print('Coefficient of Determination:', R)
# The Mean Squared Error
print('Mean squared error: ', [Link](([Link](X_test) - y_test) ** 2))
# Déterminer les paramètres "a" et "b" de la droite de régression (y= a*x + b) en utilisant l'ensemble
# d'apprentissage.
print("Pente a:", regressor.coef_)
print("Ordonne à l'origine:", regressor.intercept_)