Scribd
Importer
7 vues4 pages

Modèles IA : Régression Logistique et SVM

Ce document présente un TD/TP sur l'initiation à l'intelligence artificielle, axé sur la classification des données de diabète. Il décrit les étapes de traitement des données, y compris l'importation de bibliothèques, le chargement et le nettoyage des données, ainsi que l'application de modèles de régression logistique et SVM pour la prédiction. Les résultats incluent des évaluations de performance pour chaque modèle, ainsi que des prédictions pour de nouvelles entrées.

Transféré par

mohamedtalkhoukht01
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
7 vues4 pages

Modèles IA : Régression Logistique et SVM

Ce document présente un TD/TP sur l'initiation à l'intelligence artificielle, axé sur la classification des données de diabète. Il décrit les étapes de traitement des données, y compris l'importation de bibliothèques, le chargement et le nettoyage des données, ainsi que l'application de modèles de régression logistique et SVM pour la prédiction. Les résultats incluent des évaluations de performance pour chaque modèle, ainsi que des prédictions pour de nouvelles entrées.

Transféré par

mohamedtalkhoukht01
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

DEPARTEMENT GENIE ELECTRIQUE

FILIERE : GESET

TD/TP (Classification)

Initiation à l’Intelligence Artificielle

Réalisé par :
❖ Talkhoukht Mohamed
❖ Keouiss Yasser
❖ Tanghort Youssef

Année universitaire: 2025/2026

Page | 1
Importation des libraries

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

Chargement des données

data = pd.read_csv('[Link]')

Vérifier les valeurs manquantes

print("Valeurs manquantes par colonne :")


print([Link]().sum())

Remplacer les valeurs manquantes par la Moyenne

data = [Link]([Link]())

Division en variables (X, y)

X = [Link]('Outcome', axis=1)
y = data['Outcome']

Page | 2
Division en jeu d'entraînement et de test

X_train, X_test, y_train, y_test = train_test_split(


X, y, test_size=0.2, random_state=42

PARTIE 1 : Régression Logistique

log_model = LogisticRegression(max_iter=1000)
log_model.fit(X_train, y_train)

Coefficients

print("\n--- Coefficients de la régression logistique ---")


print("b0 (intercept) :", log_model.intercept_)
for i, col in enumerate([Link]):
print(f"b{i+1} ({col}) : {log_model.coef_[0][i]}")

Évaluation

y_pred_log = log_model.predict(X_test)
print("\n--- Évaluation du modèle Régression Logistique ---")
print("Accuracy :", accuracy_score(y_test, y_pred_log))
print("Matrice de confusion :\n", confusion_matrix(y_test, y_pred_log))
print("Rapport de classification :\n", classification_report(y_test,
y_pred_log))

Prédiction d'une nouvelle entrée


nouvelle_entree = [Link]([[0,175,112,27,230,0,42.4,0.732,55]])[:,1:]
y_new_log = log_model.predict(nouvelle_entree)
print("\nPrédiction Régression Logistique pour
[175,112,27,230,42.4,0.732,55] :", y_new_log[0])

Page | 3
PARTIE 2 : SVM

svm_model = SVC(kernel='linear')
svm_model.fit(X_train, y_train)

Évaluation

y_pred_svm = svm_model.predict(X_test)
print("\n--- Évaluation du modèle SVM ---")
print("Accuracy :", accuracy_score(y_test, y_pred_svm))
print("Matrice de confusion :\n", confusion_matrix(y_test, y_pred_svm))
print("Rapport de classification :\n", classification_report(y_test,
y_pred_svm))

Prédiction de la nouvelle entrée

y_new_svm = svm_model.predict(nouvelle_entree)
print("\nPrédiction SVM pour [175,112,27,230,42.4,0.732,55] :",
y_new_svm[0])

Page | 4

Vous aimerez peut-être aussi