Scribd
Importer
5 vues1 page

Analyse SVM pour la détection de pannes

Le document présente un code Python pour analyser des données de maintenance à l'aide d'un modèle SVM. Il inclut des étapes telles que la lecture des données, la conversion des colonnes en catégories, la séparation des caractéristiques et de la cible, ainsi que l'entraînement et l'évaluation du modèle. Enfin, il affiche la matrice de confusion et l'exactitude du modèle sur l'ensemble de test.

Transféré par

loicblue86
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 TXT, PDF, TXT ou lisez en ligne sur Scribd
5 vues1 page

Analyse SVM pour la détection de pannes

Le document présente un code Python pour analyser des données de maintenance à l'aide d'un modèle SVM. Il inclut des étapes telles que la lecture des données, la conversion des colonnes en catégories, la séparation des caractéristiques et de la cible, ainsi que l'entraînement et l'évaluation du modèle. Enfin, il affiche la matrice de confusion et l'exactitude du modèle sur l'ensemble de test.

Transféré par

loicblue86
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 TXT, PDF, TXT ou lisez en ligne sur Scribd

# Importer les bibliothèques nécessaires

import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from [Link] import SVC
from [Link] import confusion_matrix, accuracy_score

# Lire les données


Maintenance_data = pd.read_csv("C:/Users/louis/Documents/CSV/Maintenance_data.csv",
sep=";")

# Convertir les colonnes en catégories (facteurs en R)


Maintenance_data['Type'] = Maintenance_data['Type'].astype('category')
Maintenance_data['Machine_failure'] =
Maintenance_data['Machine_failure'].astype('category')

# Séparer les features (X) et la cible (y)


X = Maintenance_data[['Type', 'Air_temperature', 'Process_temperature',
'Rotational_speed', 'Torque', 'Tool_wear']]
y = Maintenance_data['Machine_failure']

# Encodage des variables catégorielles


X = pd.get_dummies(X, drop_first=True)

# Diviser les données en ensembles d'entraînement (70%) et de test (30%)


X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.30,
random_state=123)

# Entraîner le modèle SVM


svm_model = SVC(kernel="linear", random_state=123)
svm_model.fit(X_train, y_train)

# Faire des prédictions sur l'ensemble de test


prediction_test_svm = svm_model.predict(X_test)

# Calculer la matrice de confusion


table_mat_svm = confusion_matrix(y_test, prediction_test_svm)
print("Matrice de confusion :\n", table_mat_svm)

# Calculer l'exactitude
accuracy_Test_svm = accuracy_score(y_test, prediction_test_svm)
print("Exactitude du modèle SVM :", accuracy_Test_svm)

Vous aimerez peut-être aussi