====== scikit-learn Exemples ======

<WRAP center round box 60% centeralign>
**{{tagpage>ia|Intelligence Artificielle}}**     **[[http://translate.google.com/translate?hl=&sl=auto&tl=en&u=https%3A%2F%2Fressources.labomedia.org%2Fscikit-learn_exemples|English Version]]**
</WRAP>
<WRAP center round box 60% centeralign>
**[[les_pages_intelligence_artificielle_en_details|Les Pages Intelligence Artificielle en détails]]**
</WRAP>

=====scikit-learn=====
Initié et piloté en France par l'INRIA et Télécom ParisTech, le projet open source Scikit-learn est devenu une référence dans le monde de l'intelligence artificielle.

  * **[[https://scikit-learn.org/stable/index.html|scikit-learn.org]]** Scikit-learn est une bibliothèque libre Python destinée à l'apprentissage automatique. 
  * **[[https://fr.wikipedia.org/wiki/Scikit-learn|Scikit-learn sur fr.wikipedia.org]]**

  * Simple and efficient tools for predictive data analysis
  * Accessible to everybody, and reusable in various contexts
  * Built on NumPy, SciPy, and matplotlib
  * Open source, commercially usable - BSD license

  * **[[https://scikit-learn.org/dev/user_guide.html|User Guide:]]** Toutes les possibilités

=====Exemples de classification=====
Les exemples sont construits sur les digits de **[[https://www.kaggle.com/vikramtiwari/mnist-numpy|mnist-numpy]]** This is classic MNIST dataset and pickled (in npz format).

====Classification====
  * **[[https://fr.wikipedia.org/wiki/Classement_automatique|Classement automatique]]** sur Wikipedia. Le classement automatique ou classification supervisée est la catégorisation algorithmique d'objets. Elle consiste à attribuer une classe ou catégorie à chaque objet (ausens large) à classer, en se basant sur des données statistiques.

Le jeu de données d'entrées comprend "x_train __et__ y_train".
 
==== Sources des fichiers ====
  * **[[https://github.com/sergeLabo/scikit-learn|scikit-learn @ github.com/sergeLabo]]**

==== kneighborsclassifier.py ====
  * [[https://towardsdatascience.com/understanding-and-using-k-nearest-neighbours-aka-knn-for-classification-of-digits-a55e00cc746f|understanding and using k-nearest-neighbours]]
  * [[https://github.com/sergeLabo/scikit-learn/blob/main/kneighborsclassifier.py|kneighborsclassifier.py]]

{{ :media_14:kneighborsclassifier.png?400 |}}

==== MNIST classification using multinomial logistic + L1 ====
Here we fit a multinomial logistic regression with L1 penalty on a subset of the MNIST digits classification task.

  * [[https://github.com/sergeLabo/scikit-learn/blob/main/sparse_logistic_regression.py|sparse_logistic_regression.py]]
  * https://scikit-learn.org/stable/auto_examples/linear_model/plot_sparse_logistic_regression_mnist.html

{{ :media_14:sparse_logistic_regression.png?400 |}}



====Recognizing hand-written digits====
An example showing how the scikit-learn can be used to recognize images of
hand-written digits.

  * [[https://github.com/sergeLabo/scikit-learn/blob/main/digits_classification_svc.py|digits_classification_svc.py]]
  * https://scikit-learn.org/stable/auto_examples/classification/plot_digits_classification.html

{{ :media_14:confusion_digits_classification.png?600 |}}
{{ :media_14:predicted_digits_classification.png?800 |}}

====Classifier comparison====
A comparison of a several classifiers in scikit-learn on synthetic datasets.

Ne marche pas avec MNIST !

  * [[https://github.com/sergeLabo/scikit-learn/blob/main/classifier_comparison.py|classifier_comparison.py]]
  * https://scikit-learn.org/stable/auto_examples/classification/plot_classifier_comparison.html

Résultat obtenu avec "synthetic datasets".
{{ :media_14:classifier_comparison_synthetic.png?800 |}}

=====Clustering=====
C’est quoi ?\\
Regroupement(Clustering) = construire une collection d’objets:
  * Similaires au sein d’un même groupe
  * Dissimilaires quand ils appartiennent à des groupes différents
Le Clustering est de la classification non supervisée: pas de classes prédéfinies.

  * **[[https://scikit-learn.org/stable/modules/clustering.html#clustering|Le module clustering de scikit-learn]]**

==== A demo of K-Means clustering on the handwritten digits data ====
In this example we compare the various initialization strategies for
K-means in terms of runtime and quality of the results.

  * [[https://github.com/sergeLabo/scikit-learn/blob/main/kmeans_digits.py|kmeans_digits.py]]
  * https://scikit-learn.org/stable/auto_examples/cluster/plot_kmeans_digits.html

{{ :media_14:kmeans_digits.png?400 |}}


{{tag>ia sb}}