ML-For-Beginners/translations/fr/4-Classification/2-Classifiers-1

Classificateurs de cuisine 1

Dans cette leçon, vous utiliserez le jeu de données que vous avez enregistré lors de la dernière leçon, rempli de données équilibrées et propres sur les cuisines.

Vous utiliserez ce jeu de données avec une variété de classificateurs pour prédire une cuisine nationale donnée en fonction d'un groupe d'ingrédients. Ce faisant, vous apprendrez davantage sur certaines des façons dont les algorithmes peuvent être utilisés pour des tâches de classification.

Quiz pré-cours

Préparation

En supposant que vous ayez terminé la leçon 1, assurez-vous qu'un fichier cleaned_cuisines.csv existe dans le dossier racine /data pour ces quatre leçons.

Exercice - prédire une cuisine nationale

1. En travaillant dans le dossier notebook.ipynb de cette leçon, importez ce fichier ainsi que la bibliothèque Pandas :

   import pandas as pd
   cuisines_df = pd.read_csv("../data/cleaned_cuisines.csv")
   cuisines_df.head()
   

   Les données ressemblent à ceci :

	Unnamed: 0	cuisine	almond	angelica	anise	anise_seed	apple	apple_brandy	apricot	armagnac	...	whiskey	white_bread	white_wine	whole_grain_wheat_flour	wine	wood	yam	yeast	yogurt	zucchini
0	0	indien	0	0	0	0	0	0	0	0	...	0	0	0	0	0	0	0	0	0	0
1	1	indien	1	0	0	0	0	0	0	0	...	0	0	0	0	0	0	0	0	0	0
2	2	indien	0	0	0	0	0	0	0	0	...	0	0	0	0	0	0	0	0	0	0
3	3	indien	0	0	0	0	0	0	0	0	...	0	0	0	0	0	0	0	0	0	0
4	4	indien	0	0	0	0	0	0	0	0	...	0	0	0	0	0	0	0	0	1	0

1. Maintenant, importez plusieurs autres bibliothèques :

   from sklearn.linear_model import LogisticRegression
   from sklearn.model_selection import train_test_split, cross_val_score
   from sklearn.metrics import accuracy_score,precision_score,confusion_matrix,classification_report, precision_recall_curve
   from sklearn.svm import SVC
   import numpy as np
   

2. Divisez les coordonnées X et y en deux dataframes pour l'entraînement. cuisine peut être le dataframe des étiquettes :

   cuisines_label_df = cuisines_df['cuisine']
   cuisines_label_df.head()
   

   Cela ressemblera à ceci :

   0    indian
   1    indian
   2    indian
   3    indian
   4    indian
   Name: cuisine, dtype: object
   

3. Supprimez ce Unnamed: 0 column and the cuisine column, calling drop(). Enregistrez le reste des données comme caractéristiques entraînables :

   cuisines_feature_df = cuisines_df.drop(['Unnamed: 0', 'cuisine'], axis=1)
   cuisines_feature_df.head()
   

   Vos caractéristiques ressemblent à ceci :

	almond	angelica	anise	anise_seed	apple	apple_brandy	apricot	armagnac	artemisia	artichoke	...	whiskey	white_bread	white_wine	whole_grain_wheat_flour	wine	wood	yam	yeast	yogurt	zucchini
0	0	0	0	0	0	0	0	0	0	0	...	0	0	0	0	0	0	0	0	0	0
1	1	0	0	0	0	0	0	0	0	0	...	0	0	0	0	0

Avertissement :
Ce document a été traduit à l'aide de services de traduction automatique basés sur l'IA. Bien que nous nous efforçons d'assurer l'exactitude, veuillez noter que les traductions automatiques peuvent contenir des erreurs ou des inexactitudes. Le document original dans sa langue natale doit être considéré comme la source faisant autorité. Pour des informations critiques, une traduction humaine professionnelle est recommandée. Nous ne sommes pas responsables des malentendus ou des interprétations erronées résultant de l'utilisation de cette traduction.