Projet : Charger le jeu de données Scikit-learn sur le vin et utiliser l'algorithme approprié pour prédire la classe d'un vin en fonction de sa composition.
Project: Load the Scikit-learn wine dataset and use the appropriate algorithm to predict the class of a wine based on its composition.
Statut du projet
ToDo | Ongoing | Done |
---|---|---|
0 | 1 | 0 |
Téléchargez miniconda3 Windows 64-bit pour Windows, exécutez le programme d'installation et suivez les étapes.
Dans Windows Start, ouvrir Anaconda Prompt (miniconda3)
Afficher les informations concernant Miniconda3
(base) Project_ROOT>
conda info
Créer un environnement de travail
(base) Project_ROOT>
conda create --name sklearn_wine_dataset
Afficher la list des environnements disponibles
- usage: conda-env-script.py [-h] {create,export,list,remove,update,config}
(base) Project_ROOT>
conda env list
Activer l'environnement de travail
(base) Project_ROOT>
conda activate sklearn_wine_dataset
Afficher les librairies installées dans l'environnement actuel
(sklearn_wine_dataset) Project_ROOT>
conda list
Afficher les librairies et sous-librairies qui seront insallées dans l'environnement de travail
(sklearn_wine_dataset) Project_ROOT>
conda install --channel conda-forge pandas matplotlib scikit-learn imbalanced-learn --dry-run
Installer les librairies requises dans l'environnement de travail
(sklearn_wine_dataset) Project_ROOT>
conda install --channel conda-forge pandas matplotlib scikit-learn imbalanced-learn --yes
Téléchargez Visual Studio Code Windows 64-bit pour Windows, exécutez le programme d'installation et suivez les étapes.
Dans Windows Start, ouvrir Visual Studio Code
Dans Visual Studio Code,
Conigurer l'interprète Python (1)
- Ouvrir la palette de commande (Ctrl + Shift + P)
- Taper "Python : Select Interpreter",
- Sélectionnez la commande et vous devriez obtenir une liste des interpréteurs disponibles (ceux que l'extension Python a détectés).
- Choisir "Python 3.x.x ('sklearn_wine_dataset') ~\miniconda3\envs\sklearn_wine_dataset\python.exe Conda"
Ouvir le Terminal : (2)
- (Ctrl + Shift + ö) ou
- A partir du ruban
Terminal
, sélectionnerNew Terminal
Copier et coller dans le Terminal (3)
(sklearn_wine_dataset) Project_ROOT>
mkdir WineDataset
cd WineDataset
(sklearn_wine_dataset) Project_ROOT>
touch winevarietiesprediction.py
code winevarietiesprediction.py
Chargez les données en mémoire, puis traitez-les. (sklearn.datasets.load_wine())
Veillez à ce que les données soient divisées de manière aléatoire et que les classes soient équilibrées. 70% des données doivent être utilisées pour la formation.
Sélectionnez un algorithme approprié pour prédire les variétés de vin. Entraînez l'algorithme.
Calculez au moins une mesure de l'exactitude de la prédiction.
Illustrez graphiquement le nombre de vins de chaque classe qui ont été correctement prédits.
X = wine.data
Ce message superflu : Ignorer le, parce qu'il est dû au fait que pylint ne reconnait pas les attributs créés dynamiquement