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

Table des matières
Configurer l'environment de développement
Miniconda
Visual Studio Code
1- Charger/importer les données
2- Divisez les données en ensembles de formation et de test
3- Entraîner (le modèle) un algorithme approprié
4- Tester l'algorithme sur les données de test
5- Illustrez votre résultat

Configurer l'environment de développement

Miniconda

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

Visual Studio Code

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, sélectionner New 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

---

1- Charger/importer les données

Chargez les données en mémoire, puis traitez-les. (sklearn.datasets.load_wine())

2- Divisez les données en ensembles de formation et de test

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.

3- Entraîner (le modèle) un algorithme approprié

Sélectionnez un algorithme approprié pour prédire les variétés de vin. Entraînez l'algorithme.

4- Tester l'algorithme sur les données de test

Calculez au moins une mesure de l'exactitude de la prédiction.

5- Illustrez votre résultat

Illustrez graphiquement le nombre de vins de chaque classe qui ont été correctement prédits.

---

Resourse utile

---

Dépannage des erreurs

data: Any - Instance of 'tuple' has no 'data' member Pylint(E101:no-member)

X = wine.data

Ce message superflu : Ignorer le, parce qu'il est dû au fait que pylint ne reconnait pas les attributs créés dynamiquement