From e583bb3177dd6c81af967e05b7b0592261032f2d Mon Sep 17 00:00:00 2001
From: =?UTF-8?q?F=C3=A9lix=20MARQUET?=
 <72651575+BreizhHardware@users.noreply.github.com>
Date: Mon, 29 Sep 2025 14:59:29 +0200
Subject: [PATCH] Obisidian vault auto-backup: 29-09-2025 14:59:28 on . 1 files
 edited

---
 ISEN/IA/CIPA4/TP/TP2/tp2_IA.ipynb | 117 +++++++++++++++++++++++++++++-
 1 file changed, 114 insertions(+), 3 deletions(-)

diff --git a/ISEN/IA/CIPA4/TP/TP2/tp2_IA.ipynb b/ISEN/IA/CIPA4/TP/TP2/tp2_IA.ipynb
index 8b9be72..07662c0 100644
--- a/ISEN/IA/CIPA4/TP/TP2/tp2_IA.ipynb
+++ b/ISEN/IA/CIPA4/TP/TP2/tp2_IA.ipynb
@@ -1291,16 +1291,127 @@
    "id": "8aa1ea52",
    "metadata": {},
    "source": [
-    "## 2-1- Taux de classification"
+    "### 2-1- Taux de classification"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 41,
+   "id": "acaeacd9",
+   "metadata": {},
+   "outputs": [
+    {
+     "name": "stdout",
+     "output_type": "stream",
+     "text": [
+      "Taux de classification (accuracy) pour chaque fold: [0.96875 0.96325 0.9651 ]\n",
+      "Moyenne du taux de classification: 0.9657\n"
+     ]
+    }
+   ],
+   "source": [
+    "from sklearn.model_selection import cross_val_score\n",
+    "\n",
+    "# Opter pour la valeur accuracy pour l'argument scoring\n",
+    "# a. Afficher le taux de classification (accuracy) de chaque fold\n",
+    "scores = cross_val_score(sgd_classifier, X_train, y_train_5, cv=3, scoring='accuracy')\n",
+    "print(f\"Taux de classification (accuracy) pour chaque fold: {scores}\")\n",
+    "# b. Afficher la moyenne du taux de classification\n",
+    "print(f\"Moyenne du taux de classification: {scores.mean():.4f}\")"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 44,
+   "id": "e5949779",
+   "metadata": {},
+   "outputs": [
+    {
+     "name": "stdout",
+     "output_type": "stream",
+     "text": [
+      "\n",
+      "Taux de classification (accuracy) pour chaque fold avec Never5Classifier: [0.91125 0.90855 0.90915]\n",
+      "Moyenne du taux de classification avec Never5Classifier: 0.9096\n"
+     ]
+    }
+   ],
+   "source": [
+    "from sklearn.base import BaseEstimator\n",
+    "\n",
+    "class Never5Classifier(BaseEstimator):\n",
+    "    def fit(self, data, labels):\n",
+    "        pass\n",
+    "\n",
+    "    def predict(self, data):\n",
+    "        '''Prend en argument les données et retourne une \n",
+    "structure de données ayant la taille des données et qui contient que la \n",
+    "valeur False (= non-5)'''\n",
+    "        return np.zeros((data.shape[0],), dtype=bool)\n",
+    "    \n",
+    "# c. Créez un objet de la classe Never5Classifier\n",
+    "never_5_classifier = Never5Classifier()\n",
+    "\n",
+    "# d. Testez le classifieur Never5Classifier en utilisant une validation croisée de type 3-fold cross-validation.\n",
+    "# i. Afficher le taux de classification (accuracy) de chaque fold\n",
+    "scores_never5 = cross_val_score(never_5_classifier, X_train, y_train_5, cv=3, scoring='accuracy')\n",
+    "print(f\"\\nTaux de classification (accuracy) pour chaque fold avec Never5Classifier: {scores_never5}\")\n",
+    "# ii. Afficher la moyenne du taux de classification\n",
+    "print(f\"Moyenne du taux de classification avec Never5Classifier: {scores_never5.mean():.4f}\")"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "id": "776962ff",
+   "metadata": {},
+   "source": [
+    "### 2-2- Matrice de confusion"
    ]
   },
   {
    "cell_type": "code",
    "execution_count": null,
-   "id": "acaeacd9",
+   "id": "5733c7b1",
    "metadata": {},
    "outputs": [],
-   "source": []
+   "source": [
+    "from sklearn.model_selection import cross_val_predict\n",
+    "\n",
+    "print(\"=== Évaluation du classifieur SGD avec cross_val_predict ===\\n\")\n",
+    "\n",
+    "# Utiliser cross_val_predict pour obtenir les classes prédites\n",
+    "# Cette fonction retourne les prédictions pour chaque échantillon lors de la validation croisée 3-fold\n",
+    "y_train_pred = cross_val_predict(sgd_classifier, X_train, y_train_5, cv=3)\n",
+    "\n",
+    "print(f\"Type des prédictions: {type(y_train_pred)}\")\n",
+    "print(f\"Forme des prédictions: {y_train_pred.shape}\")\n",
+    "print(f\"Type des éléments: {type(y_train_pred[0])}\")\n",
+    "\n",
+    "# Afficher quelques exemples de prédictions\n",
+    "print(f\"\\nPremières 20 prédictions: {y_train_pred[:20]}\")\n",
+    "print(f\"Dernières 20 prédictions: {y_train_pred[-20:]}\")\n",
+    "\n",
+    "# Compter les prédictions True et False\n",
+    "nb_true = np.sum(y_train_pred)\n",
+    "nb_false = len(y_train_pred) - nb_true\n",
+    "\n",
+    "print(f\"\\n=== Statistiques des prédictions ===\")\n",
+    "print(f\"Nombre total de prédictions: {len(y_train_pred)}\")\n",
+    "print(f\"Prédictions 'True' (chiffre 5): {nb_true}\")\n",
+    "print(f\"Prédictions 'False' (non-5): {nb_false}\")\n",
+    "print(f\"Pourcentage de 'True': {(nb_true / len(y_train_pred) * 100):.2f}%\")\n",
+    "print(f\"Pourcentage de 'False': {(nb_false / len(y_train_pred) * 100):.2f}%\")\n",
+    "\n",
+    "# Comparer avec les vraies valeurs\n",
+    "nb_vraies_5 = np.sum(y_train_5)\n",
+    "print(f\"\\n=== Comparaison avec la réalité ===\")\n",
+    "print(f\"Vraies instances de '5' dans l'entraînement: {nb_vraies_5}\")\n",
+    "print(f\"Vraies instances de 'non-5' dans l'entraînement: {len(y_train_5) - nb_vraies_5}\")\n",
+    "\n",
+    "print(f\"\\n=== Résultats de cross_val_predict ===\")\n",
+    "print(\"✅ Les prédictions ont été obtenues pour tous les échantillons d'entraînement\")\n",
+    "print(\"✅ Chaque échantillon a été prédit exactement une fois lors de la validation croisée\")"
+   ]
   }
  ],
  "metadata": {