Scribd
Importer
1 vues2 pages

TP3 - Machine Learning

Ce TP de Machine Learning se concentre sur l'application de modèles sur des données économiques et financières, incluant des exercices sur la régression linéaire multiple, la régression logistique, le clustering K-Means, et la classification avec des arbres de décision et KNN. Les étudiants doivent charger des datasets, effectuer des prétraitements, évaluer les performances des modèles et interpréter les résultats. L'objectif est de comprendre les concepts fondamentaux de la régression, de la classification et du clustering.

Transféré par

dija
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
1 vues2 pages

TP3 - Machine Learning

Ce TP de Machine Learning se concentre sur l'application de modèles sur des données économiques et financières, incluant des exercices sur la régression linéaire multiple, la régression logistique, le clustering K-Means, et la classification avec des arbres de décision et KNN. Les étudiants doivent charger des datasets, effectuer des prétraitements, évaluer les performances des modèles et interpréter les résultats. L'objectif est de comprendre les concepts fondamentaux de la régression, de la classification et du clustering.

Transféré par

dija
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

Master: MLD

Module: Industrie 5.0 et IA


Professeur: M. RABI

TP3 Machine Learning


Ce TP vise à :

• Appliquer différents modèles Machine Learning sur des données économiques et financières.
• Comprendre les concepts fondamentaux de la régression, la classification et le clustering.
• Évaluer les performances des modèles.

Exercice 1 : Régression Linéaire Multiple

Objectif : Prédire le prix de l'immobilier en fonction de plusieurs variables économiques.

• Dataset: California Housing

Énoncé:

1. Charger le dataset et explorer les principales statistiques.


2. Sélectionner les variables explicatives et la variable cible.
3. Séparer les données en ensemble d'entraînement et de test.
4. Implémenter une régression linéaire multiple avec sklearn.
5. Évaluer la performance du modèle avec R² et RMSE.
6. Interpréter les coefficients de la régression.

Exercice 2 : Régression Logistique

Objectif : Prédire si un client contractera un prêt bancaire.

• Dataset : Bank Marketing Dataset

Énoncé :

1. Charger le dataset et effectuer un prétraitement des données.


2. Séparer les données en ensemble d'entraînement et de test.
3. Appliquer une régression logistique pour prédire si un client souscrit à un prêt.
4. Évaluer le modèle avec une matrice de confusion, l'accuracy et le F1-score.
5. Tracer et analyser la courbe ROC et calculer l’AUC.

Exercice 3: K-Means

Objectif : Segmenter les clients en groupes basés sur leur comportement financier.

• Dataset : Customer Segmentation Dataset

Énoncé :

1. Effectuer une analyse exploratoire des données.


2. Déterminer le nombre optimal de clusters avec la méthode du coude.

1/2
Master: MLD
Module: Industrie 5.0 et IA
Professeur: M. RABI

3. Appliquer K-Means pour segmenter les clients en clusters.


4. Visualiser et analyser les clusters.

Exercice 4 : Arbres de Décision et KNN

Objectif : Classifier les clients selon leur solvabilité.

• Dataset : Credit Score Dataset

Énoncé:

1. Prétraiter les données et sélectionner les variables pertinentes.


2. Appliquer un arbre de décision pour classer les clients en solvables et non-solvables.
3. Implémenter un modèle KNN et comparer ses performances avec l’arbre de décision.
4. Optimiser l'hyperparamètre k de KNN.
5. Visualiser les résultats avec un diagramme de décision.

2/2

Vous aimerez peut-être aussi