Scribd
Importer
9 vues1 page

Régression Logistique pour Prédiction d'Achats

Le TP2 sur la Régression Logistique consiste à prédire les acheteurs potentiels de voitures à partir d'un dataset de publicités sur les réseaux sociaux. Les étapes incluent l'importation des données, le traitement des données manquantes, la construction du modèle, l'évaluation des performances et la comparaison avec d'autres modèles de machine learning. Les résultats sont analysés à travers des métriques telles que l'accuracy, la précision, le recall et le F1_score.

Transféré par

abdelmounaimalaoui3
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
9 vues1 page

Régression Logistique pour Prédiction d'Achats

Le TP2 sur la Régression Logistique consiste à prédire les acheteurs potentiels de voitures à partir d'un dataset de publicités sur les réseaux sociaux. Les étapes incluent l'importation des données, le traitement des données manquantes, la construction du modèle, l'évaluation des performances et la comparaison avec d'autres modèles de machine learning. Les résultats sont analysés à travers des métriques telles que l'accuracy, la précision, le recall et le F1_score.

Transféré par

abdelmounaimalaoui3
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

Génie Info - DSBD

U.A.: 2025/2026
Module : Machine Learning

TP2 – Machine Learning


❖ Régression Logistique
C’est le cas d'une entreprise qui détient un data set qui contient des informations sur des
clients qui ont acheté ou non des voitures après avoir reçu une publicité sur les réseaux
sociaux. Nous devons construire un modèle qui nous aide à prédire les acheteurs potentiels
pour leur envoyer des publicités ciblées.

1- Importer les librairies


2- Importer et visualiser le dataset Social_Network_Ads.csv, ses colonnes et les valeurs
uniques de Purchased
3- Donner par rapport à la colonne Gender « Male, Female » le nombre de purchased
4- Spécifier à l’aide de iloc le X et le y
5- Gérer les données manquantes s’ils existent et aussi les variables catégoriques
6- Diviser le dataset entre le Training set et le Test set
7- Etablir le Feature Scaling (Normalisation/Standardisation)
8- Construire le modèle de Régression Logistique
9- Faire les nouvelles prédictions sur X_test
10- Afficher la matrice de confusion
11- Evaluer le modèle à travers, L’accuracy, La précision score, le recall et le F1_score.
12- Afficher la courbe ROC, que constatez-vous à partir de ces résultats
13- Effectuez la validation croisée en donnant à cv la valeur de 5
14- Utiliser la technique de Hyperparameter Tuning afin d’optimiser les résultats et afficher
les best params, et le best_score
15- Donner les mesures accuracy …etc utilisés avant encore une fois
16- Utiliser le RandomizedSearchCV avec :
from [Link] import uniform
C = uniform(loc=0, scale=4) # une distribution entre 0 et 4
parameters_2 = {"C":C}
17- Donner cv_random.best_params et cv_random.best_score
18- Visualiser les résultats
19- Donner l’intecept et le coef.
❖ Comparaison des modèles
1- Élaborer des modèles autres que la Régression Logistique qui nous permettent
d'identifier les acheteurs potentiels pour leur diffuser des publicités personnalisées, en
se servant les algorithmes de ML suivants : KNN, Decision Tree, Rondom Forest, Naive
Bayes, SVM.
2- Comparer et Interpréter les résultats.

Vous aimerez peut-être aussi