Scribd
Importer
3 vues2 pages

Mini Rapport

Le rapport présente l'implémentation de l'algorithme K-Nearest Neighbors (KNN) pour la classification et la régression, avec une classe KNN définissant les attributs et méthodes nécessaires. Le modèle a été évalué sur un dataset de 400 observations, montrant une précision de 75% et des résultats comparables à ceux de Scikit-learn. La conclusion souligne la validité de l'implémentation en confirmant des performances similaires à la bibliothèque de référence.

Transféré par

kouderinmarlene24
Copyright
© All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd
3 vues2 pages

Mini Rapport

Le rapport présente l'implémentation de l'algorithme K-Nearest Neighbors (KNN) pour la classification et la régression, avec une classe KNN définissant les attributs et méthodes nécessaires. Le modèle a été évalué sur un dataset de 400 observations, montrant une précision de 75% et des résultats comparables à ceux de Scikit-learn. La conclusion souligne la validité de l'implémentation en confirmant des performances similaires à la bibliothèque de référence.

Transféré par

kouderinmarlene24
Copyright
© All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd

MINI-RAPPORT DE TP (Implémentation de l’algorithme de KNN)

1. INTRODUCTION
L’algorithme de K-Nearest Neighbors est l’un des algorithmes de l’apprentissage supervisé.
Son principe est que : pour prédire la classe ou la valeur d’un nouveau point, on identifie ses
k voisins les plus proches dans les données d’entrainement et on prend une décision basée
sur leurs étiquettes.

2. IMPLEMENTATION
L’implémentation a été réalisée sous la forme d’une classe nommée KNN avec pour
attributs : le k (le nombre de voisins), metrique (la métrique de distance choisie : Euclidienne
ou Manhattan) et tache (classification ou régression).
La méthode fit mémorise les données d’entrainement et la méthode predict calcule la
distance entre le nouveau point et tous les points du mémorisés, sélectionne les k plus
proches voisins puis choisis la classe majoritaire en cas de classification ou fait la moyenne
pour la régression.

3. EVALUATION DU MODELE
Le modèle a été évalué avec le dataset « [Link] » contenant 400 observations qui
décrivent des clients (Age, Salaire estimé) avec comme cible la variable Purchased (0 = n’a
pas acheté ; 1 = a acheté). Les données ont été divisées en 80% pour l’entrainement et 20%
pour le test avec k=5.

Modèle Accuracy Recall (Classe 0) Recall (Classe 1)


Mon_modele 0.75 0.82 0.60
Scikit-learn 0.775 - 0.64

### MATRICES DE CONFUSION


#Mon_KNN

0 1
0 45 10
1 10 15
# Scikit-learn
0 1
0 46 9
1 9 16

Les matrices de confusion montrent des résultats très similaires entre les deux modèles.
Cette légère différence s’explique par les optimisations internes de Scikit-learn.

4. CONCLUSION
Ce travail a permis de comprendre en profondeur le fonctionnement du KNN. La
comparaison avec Scikit-learn a confirmé que l’implémentation est correcte et fonctionnelle
avec des résultats très proche de la bibliothèque de référence.

Vous aimerez peut-être aussi