Apprentissage supervisé avec Scikit-Learn
Construisez et évaluez des modèles d’apprentissage supervisé, comme la régression linéaire et la classification
Apprentissage supervisé avec Scikit-Learn est une leçon Python For Kids gratuite sur CoddyKit. Ceci est la leçon 2 sur 6. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage Python For Kids, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours Python For Kids comprend 6 leçons au total.
Apprentissage supervisé avec Scikit-Learn
L'apprentissage supervisé consiste à entraîner un modèle avec des données étiquetées afin de faire des prédictions ou de classer des points de données. Scikit-learn est une bibliothèque Python très utilisée pour mettre en œuvre des modèles d'apprentissage supervisé.
Dans cette leçon, vous apprendrez à créer et à évaluer des modèles d'apprentissage supervisé avec Scikit-learn.
Qu’est-ce que l’apprentissage supervisé ?
L’apprentissage supervisé utilise des données étiquetées, dans lesquelles chaque entrée possède une sortie correspondante. L’objectif est d’apprendre une association entre les entrées et les sorties.
Les tâches courantes comprennent :
- Régression : prédire des valeurs continues, comme le prix d’une maison.
- Classification : prédire des catégories, comme « spam » ou « pas de spam ».
Configurer Scikit-Learn
Installez Scikit-learn avec pip :
pip install scikit-learn
Une fois l'installation terminée, vous pouvez l'importer et commencer à créer des modèles.
Régression linéaire
La régression linéaire sert à prédire des valeurs continues. Créons un modèle simple de régression linéaire :
# Example: Linear Regression
from sklearn.linear_model import LinearRegression
# Sample data
X = [[1], [2], [3]]
y = [2, 4, 6]
model = LinearRegression()
model.fit(X, y)
print("Predicted value:", model.predict([[4]]))Régression logistique
La régression logistique est utilisée pour les tâches de classification binaire, par exemple pour déterminer si un e-mail est indésirable ou non.
# Example: Logistic Regression
from sklearn.linear_model import LogisticRegression
# Sample data
X = [[1], [2], [3]]
y = [0, 0, 1]
model = LogisticRegression()
model.fit(X, y)
print("Predicted class:", model.predict([[1.5]]))Arbres de décision
Les arbres de décision sont des modèles polyvalents capables de traiter des tâches de régression et de classification. Construisons un classificateur simple à arbre de décision :
# Example: Decision Tree Classifier
from sklearn.tree import DecisionTreeClassifier
# Sample data
X = [[1], [2], [3]]
y = [0, 1, 0]
model = DecisionTreeClassifier()
model.fit(X, y)
print("Predicted class:", model.predict([[2.5]]))Évaluer les modèles
Scikit-learn fournit des métriques pour évaluer les performances d'un modèle :
- Erreur quadratique moyenne (MSE) : Pour les modèles de régression.
- Exactitude : Pour les modèles de classification.
# Example: Evaluating a model
from sklearn.metrics import mean_squared_error
# Predictions
y_true = [2, 4, 6]
y_pred = [2.1, 3.9, 5.8]
print("MSE:", mean_squared_error(y_true, y_pred))Séparer les données d'entraînement et de test
Séparez toujours votre ensemble de données en ensembles d'entraînement et de test afin d'évaluer les performances du modèle sur des données jamais vues :
# Example: Train-Test Split
from sklearn.model_selection import train_test_split
X = [[1], [2], [3], [4]]
y = [0, 1, 0, 1]
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25)
print("Training data:", X_train)Erreurs courantes en apprentissage supervisé
Voici quelques erreurs à éviter :
- Ne pas diviser les données en ensembles d’entraînement et de test.
- Surajuster le modèle en utilisant des algorithmes trop complexes.
- Utiliser des données mal étiquetées pour l’entraînement.
Qu'avons-nous appris ?
Dans cette leçon, vous avez appris :
- À créer des modèles de régression et de classification avec Scikit-learn.
- À évaluer les performances d'un modèle à l'aide de métriques telles que MSE et l'exactitude.
- Pourquoi il est important de séparer les données en ensembles d'entraînement et de test.
- Quelles erreurs courantes éviter dans les tâches d'apprentissage supervisé.
Excellent travail ! Passons au sujet suivant.
Questions Fréquemment Posées
La leçon « Apprentissage supervisé avec Scikit-Learn » est-elle gratuite ?
Oui — le texte complet de « Apprentissage supervisé avec Scikit-Learn » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours Python For Kids, passe à CoddyKit PRO. Le cours Python For Kids comprend 6 leçons au total.
Qu'est-ce que j'apprendrai dans « Apprentissage supervisé avec Scikit-Learn » ?
Construisez et évaluez des modèles d’apprentissage supervisé, comme la régression linéaire et la classification Tu pratiques Python For Kids avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.
Dois-je avoir de l'expérience pour commencer Python For Kids ?
Aucune expérience préalable n'est requise. Python For Kids sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 2 sur 6.
Combien de temps prend la leçon « Apprentissage supervisé avec Scikit-Learn » ?
La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.
Peux-tu écrire et exécuter du code dans cette leçon Python For Kids ?
Oui. Chaque leçon Python For Kids inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.
Toutes les leçons de ce cours
- Introduction à l’apprentissage automatique
- Apprentissage supervisé avec Scikit-Learn
- Apprentissage non supervisé
- Ingénierie et sélection des caractéristiques
- Introduction aux réseaux neuronaux
- Introduction à TensorFlow et Keras