Titre du module: Intelligence artificielle et analyse

de données publiques
Séquence 4 : Modélisation et Apprentissage Automatique
Objectifs Spécifiques

• Comprendre les bases des algorithmes de machine learning et leur application.

• Créer et tester des modèles simples d'apprentissage automatique.
• Évaluer les algorithmes d’apprentissage automatique.

Éléments de Contenu :

Partie 1 : Les algorithmes d’Apprentissage Supervisées (Régression, Classification). .................................................... 2

1.1 Introduction ................................................................................................................................................................................. 2
1.2 Fondements de l'Apprentissage Supervisé .................................................................................................................... 2
1.3 Les Algorithmes de Régression ........................................................................................................................................... 3
1.4 Les Algorithmes de Classification ....................................................................................................................................... 4
1.5 Différences Clés entre Régression et Classification .................................................................................................... 6
1.6 Applications Pratiques et Défis et Limites ...................................................................................................................... 7
Partie 2 : Les Algorithmes d’Apprentissage non Supervisées (Clustering). .......................................................................... 8
2.1. Introduction ................................................................................................................................................................................. 8
2.2. Définition du Clustering .......................................................................................................................................................... 8
2.2.1. Principaux Algorithmes de Clustering ................................................................................................................... 8
2.2.2. Méthodes d'Évaluation du Clustering .................................................................................................................... 9
2.3. Applications et défis du clustering ..................................................................................................................................... 9
Partie 3. Introduction aux Réseaux de Neurones. ...........................................................................................................................10
3.1. Historique et Contexte des Réseaux de Neurones ....................................................................................................10
3.2. Structure de Base et Fonctionnement d’un Réseau de Neurones ......................................................................11
3.3. Types de Réseaux de Neurones .........................................................................................................................................13
3.4. Applications, Défis et Limites des Réseaux de Neurones.......................................................................................14
Partie 4 : Validation Croisée et Métriques de Performance (RMSE, MAE, Précision, Rappel, AUC-ROC, …). .......15
Partie 5 : Code de Machine Learning applique sur les données publiques. ........................................................................19
Références ........................................................................................................................................................................................................22

Séquence 4 : Modélisation et Apprentissage Automatique Page 1 / 22

Dr. AurelleSpécifiques
Objectifs TCHAGNA
 Partie 1 : Les algorithmes d’Apprentissage Supervisées
(Régression, Classification).

1.1 Introduction

L'apprentissage supervisé est une branche majeure de l'intelligence artificielle et du

machine learning. Il consiste à entraîner un modèle à partir d'un ensemble de données
étiquetées, où chaque entrée est associée à une sortie attendue. L'objectif est de permettre
au modèle d'apprendre les relations sous-jacentes entre les variables d'entrée et de sortie,
afin de prédire correctement les résultats sur de nouvelles données. Les deux types
principaux d'algorithmes d'apprentissage supervisé sont la régression et la classification.

1.2 Fondements de l'Apprentissage Supervisé

Dans un problème d'apprentissage supervisé, les données sont généralement représentées

sous forme de paires (x, y), où x représente les caractéristiques (ou variables explicatives) et
y représente la variable cible (variable objective, variable a déterminer ou encore variable
dépendent). Le modèle est formé à partir d'un ensemble d'entraînement et évalué à l'aide
d'un ensemble de test.

• Régression : utilisée lorsque la variable cible est continue.

• Classification : utilisée lorsque la variable cible est catégorielle.

L'objectif de l'apprentissage supervisé est de minimiser une fonction de perte qui mesure
l'écart entre les prédictions du modèle et les valeurs réelles.

Séquence 4 : Modélisation et Apprentissage Automatique Page 2 / 22

Dr. AurelleSpécifiques
Objectifs TCHAGNA
 1.3 Les Algorithmes de Régression

La régression est une technique utilisée pour prédire une variable continue. Parmi les
algorithmes les plus courants, on trouve :

• Régression Linéaire : Modèle qui établit une relation linéaire entre les variables
d'entrée et la sortie.

L’objectif premier de l’analyse de régression, ou plus simplement de la régression, est l’étude

des relations de dépendance.
Est-ce que la distance parcourue, durant une période donnée, dans une certaine catégorie de
véhicules routiers, est affectée par le prix de l’essence ?
Est-ce que le niveau de cholestérol est affecté si un individu suit une diète ? Est-ce que
d’autres variables entrent en ligne de compte, comme l’âge, le sexe, le conditionnement
physique ?
Pour décrire une relation linéaire entre deux variables quantitatives ou encore pour pouvoir
prédire Y pour une valeur donnée de X, nous utilisons une droite de régression :
Y = AX+ B+ e

Séquence 4 : Modélisation et Apprentissage Automatique Page 3 / 22

Dr. AurelleSpécifiques
Objectifs TCHAGNA
 Puisque tout modèle statistique n’est qu’une approximation, il y a toujours une erreur, notée
e dans le modèle, car le lien linéaire n’est jamais parfait.
S ’il y avait une relation linéaire parfaite entre Y et X, le terme d ’erreur serait toujours égale
à 0, et toute la variabilité de Y serait expliquée par la variable indépendante X.
Il est fort possible que la variabilité de la variable dépendante Y soit expliquée non pas par
une seule variable indépendante X mais plutôt par une combinaison linéaire de plusieurs
variables indépendantes X1, X2, …, Xp.
Dans ce cas le modèle de régression multiple est donné par :
Y = A0 A1X1+ A2X2+…+ ApXp+ e
Aussi, à l’aide des données de l’échantillon nous estimerons les paramètres A0, A1, …, Ap du
modèle de régression de façon à minimiser la somme des carrés des erreurs.

• Régression Polynomiale : Étend la régression linéaire pour capturer des relations non
linéaires.
• Régression Ridge et Lasso : Ajoutent une pénalisation pour réduire le surajustement
(overfitting).
• Arbres de Décision pour la Régression : Adaptent les arbres de décision pour prédire
des valeurs continues.

Ces algorithmes utilisent souvent des métriques comme l'erreur quadratique moyenne
(MSE) ou le coefficient de détermination (R²) pour évaluer leurs performances.

1.4 Les Algorithmes de Classification

La classification est utilisée pour attribuer une étiquette ou une catégorie à une observation.
Parmi les algorithmes les plus courants, on trouve :

• Régression Logistique : Utilisée pour des problèmes de classification binaire.

Séquence 4 : Modélisation et Apprentissage Automatique Page 4 / 22

Dr. AurelleSpécifiques
Objectifs TCHAGNA
 • Arbres de Décision : Modélisent les décisions sous forme d'arbre hiérarchique

Il ressemble à une structure descendante composée de nœuds (comportant chacun une

condition qui amène à plusieurs réponses), ce qui dirige au prochain nœud. Dans l’arbre a
décision, l’algorithme cherche à partitionner les individus en groupe les plus similaires du
point de vue de la variable à prédire, le résultat produit un arbre qui montre les relations
hiérarchiques entre les variables.

• Forêts Aléatoires (Random Forest) : Combinaison de plusieurs arbres de décision pour

améliorer la précision.

Dans cette méthode, chaque arbre est construit sur un sous-ensemble aléatoire de données
d’entrainement. La prédiction finale est faite en prenant la majorité de vote de chaque arbre
constituant la foret (classification) ou la moyenne des prédictions de chaque arbre
constituant la foret (régression).

• Support Vector Machines (SVM) : Utilisent des hyperplans pour séparer les classes.

Support vector Machine (SVM) est une technique robuste de classification et de régression
qui optimise l’exactitude prédictive d’un modèle sans ajustement des données
d’apprentissage. L’objectif est de trouver l’hyperplan optimal dans un espace à N dimension
pouvant séparer les points de données dans différentes classes dans l ’espace de
fonctionnalité. L’hyperplan est la limite de décision utilisée pour séparer les points de
données de différentes classes dans un espace de fonctionnalités.

• k-Nearest Neighbors (k-NN) : Classent une observation en fonction des voisins les plus
proches.

Les métriques courantes pour évaluer un modèle de classification incluent la précision

(accuracy), le rappel (recall), la F1-Score et l'AUC-ROC.
Séquence 4 : Modélisation et Apprentissage Automatique Page 5 / 22
Dr. AurelleSpécifiques
Objectifs TCHAGNA
 1.5 Différences Clés entre Régression et Classification

Bien que les deux approches soient supervisées, leurs objectifs et techniques diffèrent :

• Sortie : Continue pour la régression, catégorielle pour la classification.

• Évaluation : MSE pour la régression, précision et rappel pour la classification.
• Applications : La régression est utilisée pour des prédictions quantitatives (ex. prix
d'une maison), tandis que la classification est utilisée pour des décisions binaires ou
multiclasses (ex. détection de spam).

La classification permet de prédire le résultat d'un échantillon donné pour les variables de
sortie qui se présentent sous forme de catégorie. La régression par contre est utilisée pour
prédire le résultat d'un échantillon lorsque la variable de sortie est une valeur réelle
spécifique.

Séquence 4 : Modélisation et Apprentissage Automatique Page 6 / 22

Dr. AurelleSpécifiques
Objectifs TCHAGNA
 1.6 Applications Pratiques et Défis et Limites

Les algorithmes d'apprentissage supervisé sont omniprésents dans de nombreux domaines

:

• Santé : Diagnostic médical et prédiction des maladies.

• Finance : Prévision des risques de crédit et détection des fraudes.
• Marketing : Segmentation des clients et recommandations personnalisées.
• Industrie : Maintenance prédictive et optimisation des processus.

Malgré leur efficacité, les algorithmes supervisés font face à plusieurs défis :

• Surajustement (Overfitting) : Le modèle performe bien sur les données

d'entraînement mais échoue sur les nouvelles données.
• Sous-ajustement (Underfitting) : Le modèle ne capture pas suffisamment les relations
complexes des données.
• Qualité des Données : Les modèles dépendent fortement de la qualité et de la quantité
des données disponibles.
• Temps de Calcul : Certains algorithmes sont coûteux en termes de calcul pour de
grands ensembles de données.

Les algorithmes d'apprentissage supervisé, qu'ils soient de type régression ou classification,

sont essentiels dans de nombreux domaines modernes. Chaque algorithme possède ses
avantages et ses limites, et le choix du modèle dépend du problème spécifique et des données
disponibles. Une bonne compréhension de ces algorithmes permet de mieux les appliquer et
d'obtenir des résultats fiables et interprétables.

Séquence 4 : Modélisation et Apprentissage Automatique Page 7 / 22

Dr. AurelleSpécifiques
Objectifs TCHAGNA
 Partie 2: Les Algorithmes d’Apprentissage non
Supervisées (Clustering).

2.1. Introduction

L'apprentissage non supervisé est une branche essentielle du Machine Learning, où l'objectif
principal est d'identifier des structures cachées dans des données non étiquetées.
Contrairement à l'apprentissage supervisé, où les modèles sont entraînés sur des données
avec des réponses précises, l'apprentissage non supervisé travaille avec des données brutes
pour trouver des relations, des motifs ou des groupes similaires. Le clustering, ou
segmentation, est une des techniques majeures de l'apprentissage non supervisé, utilisée
pour regrouper des objets similaires en fonction de leurs caractéristiques.

2.2. Définition du Clustering

Le clustering est une méthode d'analyse exploratoire de données qui vise à regrouper les
points de données en différents clusters (ou groupes) sur la base de leur similarité. Chaque
cluster regroupe des objets qui partagent des caractéristiques communes, tandis que les
objets de clusters différents sont aussi distincts que possible. Cette technique est largement
utilisée dans diverses applications telles que le marketing (segmentation client), la biologie
(classification des gènes), ou encore la détection d'anomalies.

2.2.1. Principaux Algorithmes de Clustering

K-Means

L'algorithme K-Means est l'un des algorithmes de clustering les plus populaires. Il divise les
données en K groupes, où chaque groupe est défini par un centroïde. L'algorithme fonctionne

Séquence 4 : Modélisation et Apprentissage Automatique Page 8 / 22

Dr. AurelleSpécifiques
Objectifs TCHAGNA
 en itérant entre deux étapes : l'attribution des points au centroïde le plus proche et la mise à
jour des centroïdes en calculant la moyenne des points dans chaque cluster.

Hierarchical Clustering

Le clustering hiérarchique peut être divisé en deux approches : agglomérative (bottom-up)

et divisive (top-down). Cette méthode permet de représenter les résultats sous forme de
dendrogramme, ce qui facilite l'interprétation des relations entre les groupes.

DBSCAN (Density-Based Spatial Clustering of Applications with Noise)

DBSCAN est un algorithme basé sur la densité qui identifie les clusters comme des régions
de haute densité séparées par des régions de basse densité. Il est particulièrement utile pour
détecter des formes complexes et pour gérer les outliers.

2.2.2. Méthodes d'Évaluation du Clustering

L'évaluation des performances d'un algorithme de clustering est complexe en l'absence de

véritables étiquettes. Parmi les métriques les plus utilisées, on trouve :

• Silhouette Score : mesure la similarité d'un point avec son propre cluster par rapport
aux autres clusters.

• Inertie (Within-Cluster Sum of Squares) : évalue la compacité des clusters.

• Indice de Davies-Bouldin : mesure le degré de séparation entre les clusters.

2.3. Applications et défis du clustering

Le clustering est utilisé dans de nombreux domaines :

• Marketing : Segmentation des clients en groupes homogènes.

• Santé : Regroupement de patients selon des profils médicaux similaires.

• Biologie : Classification des espèces en fonction de leurs caractéristiques génétiques.

Séquence 4 : Modélisation et Apprentissage Automatique Page 9 / 22
Dr. AurelleSpécifiques
Objectifs TCHAGNA
 • Analyse de réseaux sociaux : Identification de communautés d'utilisateurs.

Malgré ses avantages, le clustering présente des défis majeurs :

• La détermination du nombre optimal de clusters.

• La sensibilité aux valeurs aberrantes.

• Les problèmes d'échelle et de prétraitement des données.

• L'interprétation des résultats peut être subjective.

Le clustering joue un rôle crucial dans la découverte de structures cachées dans les données
non étiquetées. Les algorithmes tels que K-Means, le clustering hiérarchique et DBSCAN
offrent des approches variées pour répondre à des problématiques complexes. Toutefois, le
choix de l'algorithme et son paramétrage dépendent fortement des données et des objectifs
visés. Avec les avancées technologiques et l'augmentation massive des données, le clustering
continuera à être un domaine de recherche dynamique et essentiel en science des données.

Partie 3. Introduction aux Réseaux de Neurones.

3.1. Historique et Contexte des Réseaux de Neurones

Les réseaux de neurones artificiels (RNA) tirent leur inspiration du fonctionnement du

cerveau humain, où des milliards de neurones interconnectés traitent simultanément des
informations complexes. L'idée des RNA remonte aux années 1940 avec le modèle de
McCulloch et Pitts, qui a proposé une représentation mathématique simple du neurone
biologique. Ensuite, l'algorithme de rétropropagation de l'erreur, introduit dans les années
1980, a révolutionné le domaine en permettant un entraînement efficace des réseaux
multicouches. Aujourd'hui, les RNA sont au cœur de nombreux domaines, notamment la
reconnaissance d'images, la traduction automatique et la conduite autonome.

Séquence 4 : Modélisation et Apprentissage Automatique Page 10 / 22

Dr. AurelleSpécifiques
Objectifs TCHAGNA
 Figure 1 : Schéma simplifié du neurone biologique comparé à un neurone artificiel.

3.2. Structure de Base et Fonctionnement d’un Réseau de Neurones

Un réseau de neurones artificiels est constitué de couches de neurones : la couche d'entrée,

les couches cachées et la couche de sortie. Chaque neurone reçoit des signaux d'entrée
pondérés, applique une fonction d'activation, puis transmet le résultat aux neurones des
couches suivantes. Les fonctions d'activation les plus courantes incluent la sigmoïde, ReLU
(Rectified Linear Unit) et tanh. Les connexions entre les neurones sont ajustées lors de la
phase d'apprentissage afin de minimiser une fonction de coût.

Séquence 4 : Modélisation et Apprentissage Automatique Page 11 / 22

Dr. AurelleSpécifiques
Objectifs TCHAGNA
 Figure 2 : Architecture typique d'un réseau de neurones avec une couche d'entrée, des couches
cachées et une couche de sortie.

Un neurone artificiel est une unité de calcul qui prend plusieurs entrées pondérées, les
additionne, et applique une fonction d'activation au résultat pour produire une sortie.
Mathématiquement, cela peut être représenté comme :

Séquence 4 : Modélisation et Apprentissage Automatique Page 12 / 22

Dr. AurelleSpécifiques
Objectifs TCHAGNA
 Figure 3 : Fonctionnement mathématique d'un neurone artificiel.

L'apprentissage des RNA consiste à ajuster les poids et biais afin de minimiser l'erreur entre
les prédictions du réseau et les valeurs réelles. Cette optimisation est généralement réalisée
par l'algorithme de rétropropagation, couplé à une méthode d'optimisation telle que
Stochastic Gradient Descent (SGD) ou Adam. Pendant l'apprentissage, la fonction de coût,
telle que l'erreur quadratique moyenne ou l'entropie croisée, joue un rôle essentiel dans
l'évaluation des performances du modèle.

3.3. Types de Réseaux de Neurones

Il existe plusieurs types de réseaux de neurones, chacun adapté à des types spécifiques de
problèmes :

Séquence 4 : Modélisation et Apprentissage Automatique Page 13 / 22

Dr. AurelleSpécifiques
Objectifs TCHAGNA
 • Perceptron Multi-couches (MLP) : Utilisé pour les problèmes de classification et de
régression.

• Réseaux de Neurones Convolutionnels (CNN) : Adaptés pour l'analyse d'images et de

vidéos.

• Réseaux de Neurones Récurrents (RNN) : Utilisés pour les données séquentielles,

comme le texte ou les séries temporelles.

• Réseaux GAN (Generative Adversarial Networks) : Utilisés pour la génération de

contenu réaliste.

3.4. Applications, Défis et Limites des Réseaux de Neurones

Les réseaux de neurones sont omniprésents dans divers domaines :

• Vision par ordinateur : Détection et reconnaissance d'objets.

• Traitement automatique du langage naturel (NLP) : Traduction automatique, analyse

de sentiment.

• Médecine : Diagnostic automatisé à partir d'images médicales.

• Finance : Prédiction des tendances boursières. Ces applications illustrent la capacité

des RNA à résoudre des problèmes complexes autrefois considérés comme insolubles
par les méthodes traditionnelles.

Malgré leurs succès impressionnants, les réseaux de neurones rencontrent encore plusieurs
défis :

• Besoins en données massives : Nécessité de grandes quantités de données étiquetées

pour l'apprentissage.

Séquence 4 : Modélisation et Apprentissage Automatique Page 14 / 22

Dr. AurelleSpécifiques
Objectifs TCHAGNA
 • Surapprentissage (Overfitting) : Capacité du réseau à mémoriser plutôt qu'à
généraliser.

• Interprétabilité : Difficulté à expliquer les décisions du réseau.

• Coût computationnel : Temps et ressources nécessaires pour l'entraînement.

L'avenir des réseaux de neurones réside dans l'amélioration de leur efficacité, de leur
capacité d'apprentissage avec moins de données, et de leur interprétabilité. Les recherches
actuelles se concentrent sur les réseaux neuronaux quantiques, les modèles hybrides et
l'intelligence artificielle générale (AGI). La démocratisation des outils d'IA, tels que
TensorFlow et PyTorch, rend également les RNA plus accessibles aux chercheurs et aux
développeurs.

Les réseaux de neurones artificiels ont révolutionné l'intelligence artificielle moderne. Leur
capacité à apprendre des représentations complexes à partir de grandes quantités de
données a permis des avancées significatives dans de nombreux domaines. Cependant, leur
succès s'accompagne de défis techniques et éthiques qui nécessitent une réflexion continue.
Les prochaines décennies promettent encore de nombreuses découvertes passionnantes
dans ce domaine en constante évolution.

Partie 4 : Validation Croisée et Métriques de Performance

(RMSE, MAE, Précision, Rappel, AUC-ROC, …).

Accuracy

Rapport entre le nombre d'éléments correctement classés et le nombre total d'éléments

classés (correctement ou non). Elle est utilisée pour la classification binaire et multi-classes.
La précision mesure à quel point les valeurs de classe prédites sont proches des valeurs

Séquence 4 : Modélisation et Apprentissage Automatique Page 15 / 22

Dr. AurelleSpécifiques
Objectifs TCHAGNA
 réelles. Les valeurs des métriques de précision varient entre zéro (0) et un (1). La valeur 1
indique une précision parfaite et 0 indique une imprécision parfaite.

AUC

La métrique de zone sous la courbe (AUC, Area Under the Curve) est utilisée pour comparer
et évaluer la classification binaire par des algorithmes qui renvoient des probabilités, comme
la régression logistique. Pour mapper les probabilités en classifications, les probabilités sont
comparées à une valeur de seuil.

La courbe pertinente est la courbe caractéristique de fonctionnement du récepteur. Cette

courbe représente le taux de vrais positifs (TPR, True Positive Rate) des prédictions (ou
rappels) par rapport au taux de faux positifs (FPR, False Positive Rate) en fonction de la
valeur seuil, au-dessus de laquelle une prédiction est considérée positive. L'augmentation du
seuil entraîne moins de faux positifs, mais plus de faux négatifs.

L'AUC est la zone située sous cette courbe caractéristique de fonctionnement du récepteur.
Ainsi, l'AUC fournit une métrique regroupée des performances du modèle sur tous les seuils
de classification possibles. Les scores de l'AUC varient entre 0 et 1. Un score de 1 indique une

Séquence 4 : Modélisation et Apprentissage Automatique Page 16 / 22

Dr. AurelleSpécifiques
Objectifs TCHAGNA
 précision parfaite, et un score de la moitié (0,5) indique que la prédiction n'est pas meilleure
qu'un classificateur aléatoire.

F1

Le score F1 représente la moyenne harmonique de la précision et du rappel, définie comme

suit : F1 = 2 * (précision * rappel)/(précision + rappel). Il est utilisé pour la classification
binaire en classes traditionnellement appelées positives et négatives. On dit que les
prédictions sont vraies lorsqu'elles correspondent à leur classe réelle (correcte) et fausse
lorsqu'elles n'y correspondent pas.

La précision désigne le rapport entre les prédictions positives réelles et toutes les
prédictions positives. Elle inclut aussi les faux positifs d'un jeu de données. La précision
mesure la qualité de la prédiction lorsqu'elle prédit la classe positive.

Le rappel (ou sensibilité) désigne le rapport entre les prédictions positives réelles et toutes
les instances positives réelles. Le rappel mesure le degré de précision avec lequel un modèle
prédit les membres réels de la classe dans un jeu de données.

Les scores de F1 varient entre 0 et 1. Un score de 1 indique la meilleure performance possible

et 0 indique la pire.

MAE

L'erreur absolue moyenne (MAE, Mean Absolute Error) est une mesure de la moyenne des
différences entre les valeurs prédites et les valeurs réelles, moyenne calculée sur toutes les
valeurs. Elle est couramment utilisée dans l'analyse de régression pour comprendre l'erreur
de prédiction du modèle. En cas de régression linéaire, la MAE représente la distance
moyenne entre une ligne prédite et la valeur réelle. La MAE est définie comme la somme des
erreurs absolues divisée par le nombre d'observations. Les valeurs sont comprises entre 0
et l'infini, les plus petits nombres indiquant une meilleure adéquation du modèle aux
données.

Séquence 4 : Modélisation et Apprentissage Automatique Page 17 / 22

Dr. AurelleSpécifiques
Objectifs TCHAGNA
 MSE

L'erreur quadratique moyenne (MSE, Mean Squarred Error) est la moyenne des différences
au carré entre les valeurs prédites et réelles. Elle est utilisée pour la régression. Les valeurs
MSE sont toujours positives. Plus un modèle est capable de prédire les valeurs réelles, plus
la valeur MSE est faible.

Precision

La précision mesure l'efficacité avec laquelle un algorithme prédit les vrais positifs (TP)
parmi tous les positifs qu'il identifie. Elle est définie comme suit : précision = TP/(TP+FP),
avec des valeurs allant de zéro (0) à un (1), et est utilisée dans la classification binaire. La
précision est une métrique importante lorsque le coût d'un faux positif est élevé. Par
exemple, le coût d'un faux positif est très élevé si le système de sécurité d'un avion est
considéré à tort comme sûr pour le vol. Un faux positif (FP) reflète une prédiction positive
qui est en fait négative dans les données.

R2

R2, également connu sous le nom de coefficient de détermination, est utilisé en régression
pour quantifier dans quelle mesure un modèle peut expliquer l'écart d'une variable
dépendante. Les valeurs sont comprises entre un (1) et moins un (-1). Des nombres plus
élevés indiquent une fraction plus importante de la variabilité expliquée. Des
valeurs R2 proches de zéro (0) indiquent qu'une faible part de la variable dépendante peut
être expliquée par le modèle. Les valeurs négatives indiquent un mauvais ajustement et un
dépassement du modèle par une fonction constante. Pour une régression linéaire, il s'agit
d'une ligne horizontale.

Recall

Le rappel évalue la capacité d'un algorithme à prédire correctement tous les vrais positifs
(TP) dans un jeu de données. Un vrai positif est une prédiction positive qui correspond

Séquence 4 : Modélisation et Apprentissage Automatique Page 18 / 22

Dr. AurelleSpécifiques
Objectifs TCHAGNA
 également à une valeur positive réelle dans les données. Le rappel est défini comme suit :
rappel = TP/(TP+FN), avec des valeurs allant de 0 à 1. Des scores plus élevés reflètent une
meilleure capacité du modèle à prédire les vrais positifs (TP) dans les données. Ils sont
utilisés dans la classification binaire.

Le rappel est important lors du dépistage du cancer, car c'est utilisé pour trouver tous les
vrais positifs. Un faux positif (FP) reflète une prédiction positive qui est en fait négative dans
les données. Il est souvent insuffisant de mesurer uniquement le rappel, car prédire chaque
sortie comme un vrai positif donnera un score de rappel parfait.

RMSE

La racine de l'erreur quadratique moyenne (RMSE, Root Mean Squared Error) mesure la
racine carrée de la différence au carré entre les valeurs prédites et réelles, moyennée sur
l'ensemble des valeurs. Elle est utilisée dans l'analyse de régression pour comprendre
l'erreur de prédiction du modèle. Cette métrique est importante pour indiquer la présence
d'erreurs et de valeurs aberrantes dans les modèles volumineux. Les valeurs vont de zéro
(0) à l'infini, les plus petits nombres indiquant une meilleure adéquation du modèle aux
données. La RMSE dépend de l'échelle, et ne doit pas être utilisée pour comparer des jeux de
données de tailles différentes.

Partie 5 : Code de Machine Learning applique sur les

données publiques.

Copiez ce code dans votre jupyter notebook et simuler pour tester le fonctionnement de
quelques algorithmes d’apprentissage automatique.

Structure du code :

o Importation des bibliothèques nécessaires

Séquence 4 : Modélisation et Apprentissage Automatique Page 19 / 22

Dr. AurelleSpécifiques
Objectifs TCHAGNA
 o Génération aléatoire des données
o Exploration et visualisation des données
o Prétraitement des données
o Modèles supervisés :
• Régression Logistique
• Random Forest
o Modèle non supervisé :
• K-Means
o Évaluation des modèles
o Conclusion

### 1. Importation des bibliothèques nécessaires

import numpy as np
import pandas as pd
import [Link] as plt
import seaborn as sns
from sklearn.model_selection import train_test_split, cross_val_score
from [Link] import StandardScaler
from sklearn.linear_model import LogisticRegression
from [Link] import RandomForestClassifier
from [Link] import KMeans
from [Link] import accuracy_score, precision_score, recall_score, f1_score, confusion_matrix

# Configuration pour les graphiques

[Link](style='whitegrid')

### 2. Génération aléatoire des données

from [Link] import make_classification, make_blobs

# Données supervisées
X_sup, y_sup = make_classification(n_samples=500, n_features=5, n_classes=2, random_state=42)

# Données non supervisées

X_unsup, _ = make_blobs(n_samples=300, centers=3, cluster_std=1.0, random_state=42)

# Création des DataFrames

df_sup = [Link](X_sup, columns=[f'Feature_{i}' for i in range(1, 6)])
df_sup['Target'] = y_sup

df_unsup = [Link](X_unsup, columns=['Feature_1', 'Feature_2'])

print("Aperçu des données supervisées:")

print(df_sup.head())
print("\nAperçu des données non supervisées:")
print(df_unsup.head())

Séquence 4 : Modélisation et Apprentissage Automatique Page 20 / 22

Dr. AurelleSpécifiques
Objectifs TCHAGNA
 ### 3. Exploration et visualisation des données
# Visualisation des données supervisées
[Link](df_sup, hue='Target', palette='husl')
[Link]()

# Visualisation des données non supervisées

[Link](df_unsup['Feature_1'], df_unsup['Feature_2'], s=50)
[Link]('Données non supervisées')
[Link]()

### 4. Prétraitement des données

scaler = StandardScaler()
X_sup_scaled = scaler.fit_transform(df_sup.drop('Target', axis=1))
X_train, X_test, y_train, y_test = train_test_split(X_sup_scaled, y_sup, test_size=0.2, random_state=42)

### 5. Modèles supervisés

#### a. Régression Logistique
log_model = LogisticRegression()
log_model.fit(X_train, y_train)
y_pred_log = log_model.predict(X_test)

print("Régression Logistique - Accuracy:", accuracy_score(y_test, y_pred_log))

#### b. Random Forest

rf_model = RandomForestClassifier(n_estimators=100, random_state=42)
rf_model.fit(X_train, y_train)
y_pred_rf = rf_model.predict(X_test)

print("Random Forest - Accuracy:", accuracy_score(y_test, y_pred_rf))

### 6. Modèle non supervisé

kmeans = KMeans(n_clusters=3, random_state=42)
[Link](X_unsup)
labels = kmeans.labels_

# Visualisation des clusters

[Link](X_unsup[:, 0], X_unsup[:, 1], c=labels, cmap='viridis', s=50)
[Link](kmeans.cluster_centers_[:, 0], kmeans.cluster_centers_[:, 1], s=200, c='red', marker='X')
[Link]('Clusters K-Means')
[Link]()

### 7. Évaluation des modèles supervisés

print("\nÉvaluation des modèles supervisés:")
for name, model, y_pred in zip(['Logistic Regression', 'Random Forest'], [log_model, rf_model], [y_pred_log, y_pred_rf]):
print(f"\nModèle: {name}")
print("Accuracy:", accuracy_score(y_test, y_pred))
print("Precision:", precision_score(y_test, y_pred))
print("Recall:", recall_score(y_test, y_pred))
print("F1 Score:", f1_score(y_test, y_pred))
print("Confusion Matrix:\n", confusion_matrix(y_test, y_pred))

### 8. Conclusion
print("\nLes modèles supervisés ont été évalués avec succès. Le modèle K-Means a identifié les clusters sur les données
non supervisées.")

Séquence 4 : Modélisation et Apprentissage Automatique Page 21 / 22

Dr. AurelleSpécifiques
Objectifs TCHAGNA
 Ce notebook contient des explications détaillées et des visualisations pour faciliter la
compréhension. Vous pouvez le copier directement dans un fichier .ipynb et l'exécuter dans
Jupyter Notebook.

Références

1. Igor Milovanovic (2013). Python Data Visualization Cookbook: As a developer with

knowledge of Python you are already in a great position to start using data
visualization. This superb cookbook shows you how in plain language and practical
recipes, culminating with 3D animations; 280p.
2. Russell, S., & Norvig, P. (2009). Artificial Intelligence: A Modern Approach. Pearson;
3e édition (1 décembre 2009), 1152 pages
3. Aurélien Géron (2022) Hands-On Machine Learning with Scikit-Learn, Keras, and
TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems, O'Reilly
Media, 861p.

Séquence 4 : Modélisation et Apprentissage Automatique Page 22 / 22

Dr. AurelleSpécifiques
Objectifs TCHAGNA