Formations IT : Cloud, Big Data, Machine Learning Phirio

Exempe de code

A partir d'un jeu de données, on construit un modèle

Puis on utilise ce modèle pour faire des prévisions sur de nouvelles données

Ce code utilise un réseau de neurones

Création d'un modèle de réseau de neurones simple

def creer_modele(input_dim): modele = Sequential([ Dense(64, activation='relu', input_dim=input_dim), Dense(32, activation='relu'), Dense(16, activation='relu'), Dense(1, activation='sigmoid') ]) modele.compile( optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'] ) return modele

Entrainement du modèle

Grandes phases :

normalisation des données avec une classe Scaler
entrainement avec la méthode fit()
évaluation du modèle

def entrainer_et_evaluer(): # Preparation des donnees X, y = preparer_donnees() X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2) # Normalisation des donnees scaler = StandardScaler() X_train_scaled = scaler.fit_transform(X_train) X_test_scaled = scaler.transform(X_test) # Creation et entrainement du modele modele = creer_modele(X_train.shape[1]) early_stopping = EarlyStopping( monitor='val_loss', patience=10, restore_best_weights=True ) # Entrainement avec validation historique = modele.fit( X_train_scaled, y_train, epochs=100, batch_size=32, validation_split=0.2, callbacks=[early_stopping], verbose=1 ) # Evaluation sur les donnees de test score = modele.evaluate(X_test_scaled, y_test, verbose=0) print(f"\nPr&eacute;cision sur les donn&eacute;es de test: {score[1]:.4f}") return modele, historique, scaler

Construction du modèle

modele, historique, scaler = entrainer_et_evaluer() ## Utilisation du modele nouveau_cas = ... donnees dont on ne connait pas le resultat ... nouveau_cas_scaled = scaler.transform(nouveau_cas) prevision = modele.predict(nouveau_cas_scaled)[0][0] print(f"\nPr&eacute;vision pour un nouveau cas: {prevision:.4f}")