Programme Leçon 88 sur 250 · Tes premiers modèles de machine learning
Tes premiers modèles de machine learning

Ton premier modèle : un arbre de décision

C'est le moment d'entraîner vraiment quelque chose. Un classifieur à arbre de décision apprend un organigramme de questions oui/non sur les caractéristiques, et chaque feuille de l'organigramme est une étiquette prédite. C'est un super premier modèle car il est facile à imaginer : il pose simplement des questions comme « la caractéristique 1 est-elle plus grande que 5 ? » jusqu'à pouvoir décider.

Le code suit le rituel fit/predict de la première leçon :

from sklearn.tree import DecisionTreeClassifier

clf = DecisionTreeClassifier(random_state=0)
clf.fit(X, y)               # learn the questions
clf.predict(X_new)          # classify new rows

On passe random_state=0 pour la reproductibilité. En construisant chaque division, scikit-learn permute au hasard les caractéristiques qu'il examine, donc deux passages sans graine peuvent choisir des divisions différentes (aussi bonnes) et faire pousser des arbres un peu différents. Fixer la graine verrouille ce choix pour que tu obtiennes le même arbre à chaque fois.

Tu vas entraîner sur un tout petit jeu de données propre. Chaque ligne a deux caractéristiques. L'étiquette vaut 0 quand les deux caractéristiques sont petites et 1 quand les deux sont grandes, avec un net écart entre les deux :

X = [[1,1],[2,1],[1,2],[2,2],   # all label 0 (low/low)
     [8,8],[9,8],[8,9],[9,9]]   # all label 1 (high/high)

Comme les deux groupes sont parfaitement séparés, l'arbre peut apprendre une règle qui classe juste chaque ligne d'entraînement. Ça n'arrivera pas toujours avec de vraies données en désordre, et les leçons suivantes parlent justement de ce qu'il faut faire dans ce cas. Mais ça fait un premier essai propre.

Une note sur le monde de l'IA plus large : des outils lourds comme TensorFlow et PyTorch ne peuvent pas tourner dans ce Python du navigateur, donc ce cours reste sur scikit-learn, largement suffisant pour apprendre les vraies idées.

À ton tour

Les caractéristiques X (8 lignes, 2 colonnes) et les étiquettes y sont fournies. Crée un DecisionTreeClassifier(random_state=0) nommé clf, ajuste-le sur X et y, puis prédis sur X et range le résultat dans preds. Prédis aussi le seul nouveau point [[9, 9]] et range juste cette étiquette (un int) dans new_pred.

Tu as repéré un problème dans cette leçon ? Signale-le · Pose une question sur cette leçon

Cet exercice s'ouvre bientôt

Termine la leçon précédente pour débloquer celle-ci. Tout le cours est gratuit, aucun compte n'est requis, et tu peux lire cette leçon dès maintenant.