Algorithme de classification K-NN pour l'analyse d'iris

Here is a summary of the text in French, using detailed bullet points:

• L'algorithme utilise une base de données d'iris qui contient 150 mesures classées en 50 de chaque variété.

• La base de données a 4 dimensions : longueur sépale, largeur sépale, longueur pétales, largeur pétales.

• L'apprentissage est supervisé, ce qui signifie que les données sont étiquetées.

• Les données sont réparties aléatoirement en 2 parties : 80% pour l'entraînement et 20% pour la validation.

• La méthode utilisée pour répartir les données est la méthode de randomisation.

• La fonction distance est utilisée pour calculer la distance entre deux points dans un espace de dimension N.

• La fonction classe renvoie la liste des éléments distincts dans une liste.

• La fonction dominante renvoie l'élément le plus fréquent dans une liste.

• La fonction cannelle prend un argument K et renvoie l'étiquette dominante pour les K plus proches voisins d'une nouvelle observation.

• La fonction est testée avec un élément de la base de données et le résultat est comparé à la valeur attendue.

• La prédiction est réalisée en appelant la fonction cannelle avec K = 5 et la nouvelle observation.

• La valeur attendue est comparée à la prédiction pour vérifier si l'algorithme est performant.

• La suite de la question 7 consiste à récupérer toutes les prédictions sur le test et à calculer l'efficacité de l'algorithme.

• La matrice de confusion est utilisée pour afficher les résultats de la prédiction.

• La question 8 consiste à afficher la matrice de confusion et à estimer l'efficacité de l'algorithme.

• La dernière question consiste à étudier l'influence de la valeur de K sur l'efficacité de l'algorithme.

• La courbe montrant l'évolution du taux de réussite en fonction de K est tracée.

• L'algorithme est testé pour différentes valeurs de K, de 5 à 25, et le taux de réussite est calculé pour chaque valeur.

• Le résultat montre que l'efficacité de l'algorithme est meilleure pour un petit nombre de voisins (K = 5 ou 6).- La meilleure zone pour choisir la valeur de cas est comprise entre 7 et 16.

• Avec K = 5, on obtient le meilleur taux de réussite de l'attitude, prédire le bon résultat de projet à 95%.
• Le modèle de classification cannibale est utilisé pour l'intelligence artificielle.
• La bibliothèque ou le paquet utilisé est trop important pour l'intelligence artificielle.
• L'évaluation du modèle permet de donner l'efficacité, avec une efficacité de 90% dans cet exemple.
• La modification de la valeur de cas peut affecter l'efficacité, par exemple, passer de 90% à 93,3%.
• La prédiction peut être représentée de manière évidente avec le modèle rédex.
• La longueur et la capitale peuvent être utilisées pour donner des exemples, par exemple, 0,2.
• Le modèle peut être utilisé avec une efficacité de 80% après avoir dit modèle.pv.