finish tp3

decisiontree-iris.py

+# Import des bibliothèques nécessaires
+import pandas as pd
+from sklearn.model_selection import train_test_split
+from sklearn.tree import DecisionTreeClassifier
+from sklearn.metrics import accuracy_score
+from sklearn.tree import plot_tree
+import matplotlib.pyplot as plt
+
+# Chargement des données depuis un fichier CSV
+file_path_iris = './Data/iris.csv'
+df_iris = pd.read_csv(file_path_iris, names=['sepal_length', 'sepal_width', 'petal_length', 'petal_width', 'class'])
+
+# Séparation des features et de la cible
+X_iris = df_iris.drop('class', axis=1)
+y_iris = df_iris['class']
+
+# Division des données en ensembles d'entraînement et de test
+X_train_iris, X_test_iris, y_train_iris, y_test_iris = train_test_split(X_iris, y_iris, test_size=0.2, random_state=42)
+
+# Construction de l'arbre de décision avec des paramètres spécifiques
+# Vous pouvez jouer avec les valeurs de min_samples_leaf et max_depth
+clf_iris = DecisionTreeClassifier(min_samples_leaf=5, max_depth=3)
+clf_iris.fit(X_train_iris, y_train_iris)
+
+# Prédictions sur les ensembles d'entraînement et de test
+y_train_pred_iris = clf_iris.predict(X_train_iris)
+y_test_pred_iris = clf_iris.predict(X_test_iris)
+
+# Mesure du taux de classification correcte
+train_accuracy_iris = accuracy_score(y_train_iris, y_train_pred_iris)
+test_accuracy_iris = accuracy_score(y_test_iris, y_test_pred_iris)
+
+print(f'Taux de classification correcte (Entraînement): {train_accuracy_iris:.2f}')
+print(f'Taux de classification correcte (Test): {test_accuracy_iris:.2f}')
+
+# Visualisation de l'arbre de décision
+plt.figure(figsize=(12, 8))
+plot_tree(clf_iris, filled=True, feature_names=X_iris.columns, class_names=df_iris['class'].unique(), rounded=True)
+plt.show()

decisiontree-student.py

+# Import des bibliothèques nécessaires
+import pandas as pd
+from sklearn.model_selection import train_test_split
+from sklearn.tree import DecisionTreeClassifier
+from sklearn.metrics import accuracy_score
+from sklearn.tree import plot_tree
+import matplotlib.pyplot as plt
+
+# Chargement des données depuis un fichier CSV
+file_path = './Data/student-data-train.csv'
+df = pd.read_csv(file_path)
+
+# Séparation des features et de la cible
+X = df.drop('success', axis=1)
+y = df['success']
+
+# Division des données en ensembles d'entraînement et de test
+X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)  # Vous pouvez ajuster la taille du test si nécessaire
+
+# Construction de l'arbre de décision avec des paramètres spécifiques
+# Vous pouvez jouer avec les valeurs de min_samples_leaf et max_depth
+clf = DecisionTreeClassifier(min_samples_leaf=5, max_depth=3)
+clf.fit(X_train, y_train)
+
+# Prédictions sur les ensembles d'entraînement et de test
+y_train_pred = clf.predict(X_train)
+y_test_pred = clf.predict(X_test)
+
+# Mesure du taux de classification correcte
+train_accuracy = accuracy_score(y_train, y_train_pred)
+test_accuracy = accuracy_score(y_test, y_test_pred)
+
+print(f'Taux de classification correcte (Entraînement): {train_accuracy:.2f}')
+print(f'Taux de classification correcte (Test): {test_accuracy:.2f}')
+
+# Visualisation de l'arbre de décision
+plt.figure(figsize=(12, 8))
+plot_tree(clf, filled=True, feature_names=X.columns, class_names=['0', '1'], rounded=True)
+plt.show()