PYTHON SKLEARN PRE-PROCESSING + PIPELINE (22/30)

[@johnnydelloue5174]

il nous faudrait plus de professeur comme vous , très bonne pédagogie pour enseigner les sciences (math, physique, informatique), nos enfants ne sont pas aider, heureusement qu'il existe des personnes passionnées comme vous pour faire ce type de cours en vidéo. Pour ma part, je suis ingénieur en Mécanique et maintenance (gestion de projet) et j'y trouve en grand intérêt à suivre vos vidéos.

[@vivouprince]

En un seul mot : Parfait ! Merci mille fois, Guillaume, pour ton énergie à nous communiquer ta passion.

[@MachineLearnia]

Merci c'est un plaisir de vous avoir comme public.

[@alessandroperta]

J'en suis à ma 28ème vidéo de ta chaîne en 2 jours. J'ai beau avoir passé le certificat IBM Data Science sur Coursera, il y a un paquet de trucs qui restaient flous. J'aimerais détruire le bouton like tellement tes explications sont claires et concises - c'est devenu un jeu d'enfant. Je m'attaque pour le moment à un algo génétique, j'espère que dans le futur tu pourras couvrir cette discipline passionnante. En attendant, 1000x MERCI pour ton boulot incroyable 🙏 Toutes les formations devraient renvoyer vers ton contenu - il est imbattable niveau pédagogie 😊 Je te souhaite tout le meilleur !

[@MachineLearnia]

Salut ! Désolé pour ma réponse tardive, ton commentaire est passé entre les mailles du filet ! Ca me fait tres plaisir de lire ton message, et oui je vais m'attaquer aux alogs génétiques surement en 2023.

[@deojuvante1649]

@@MachineLearnia Bonjour, attention, il y a une erreur sur la standardisation. Il fallait standardiser Y également !

[@julienjacquemont6048]

Salut Guillaume, Quelle joie de voir la chaîne reprendre de plus belle pour l'année 2020. Cette vidéo a du être le résultat d'un travail monstrueux d'écriture et de montage et ce travail (dans mon cas) paye: Sklearn comporte tellement de fonction, de module,.... que j’étais littéralement perdu dans son utilisation. Ces 37 minutes sur sklearn ont mis de l'ordre dans ma vision du module et du preprocessing en général (souvent peu abordé sur d'autres chaines de ML). Je t'en remercie. Je trouve particulièrement satisfaisant les moments où, quelques choses qui nous apparaît comme complexe, devient d'un coup parfaitement intelligible.En cela je dois dire que, Machine Learnia est une chaîne particulièrement satisfaisante ;)! Merci pour la qualité de ton travail :D

[@MachineLearnia]

Salut Julien ! Merci beaucoup pour ton super message ! Oui j'ai mis du temps a sortir la vidéo 22/30 (ce qui explique en partie la pause de décembre) car c'est selon moi la vidéo la plus importante de la série ! J'avais donc écrit un texte / code qui couvrait un maximum de choses, tout en essayant de rester a l'essentiel (un peu paradoxal du coup.. ce qui m'a pénalisé en temps). Au final j'avais du contenu qui durait plus d'une heure de vidéos, et je ne voulais pas upload cela sur KZbin, parce que je pense que c'est moins efficace pour vous. J'ai donc mis pas mal de temps a ré-ajuster mes mots, réduire la quantité, et sélectionner le plus important. Au final, j'aurais préféré faire 3 vidéos différentes (Encodage, Normalisation, Pipelines) mais ca ne rentrait pas dans les 30 vidéos de la série. Je suis tres heureux de savoir que la vidéo et le reste de mon contenu te permette de progresser et de mieux comprendre Sklearn. C'est mon but premier sur KZbin, il faut le rappeler : apporter de la valeur aux personnes intéressées par la Data Science / Machine Learning / Deep Learning Merci cher ami et a bientôt pour les prochaines vidéos ! :)

[@jingqingcheng2266]

Excellente vidéo, je suis stupéfaite par vos explications minutieuses et en même temps concises !! Après avoir parcouru dizaines de vidéos en anglais, qui m'ont rendu plus confuse qu'à l'inverse, avec cette vidéo, tout devient claire ! Merci pour ce beau travail !!

[@MachineLearnia]

Merci beaucoup, c'est un grand plaisir ! :)

[@samiotmani9092]

c'est en regardant et en écumant les autres vidéos et les autres chaines qu'on peut se rendre compte de ta facilité de vulgarisation , bien joué , et encore merci

[@risiboule5573]

Je passe juste pour dire que la newsletter est top ! Première fois que j'en lis une à 100% et avec plaisir ;) Je regarderai la vidéo ce soir :o

[@MachineLearnia]

Merci c'est bien agréable de savoir que vous appréciez la newsletter ! Je m'applique beaucoup dans la création des résumés car j'aime ça et c'est cool d’être en contact avec des gens aussi motivés comme vous !

[@khalilrabia-iw6sw]

C"est la meilleure video que j'ai pu voir sur youtube !!!

[@Alierx]

Milles merci !! C'est remarquable tout ce que tu offres dans tes vidéos! Encore MERCI !

[@MachineLearnia]

Milles de rien ! Merci de ton soutien :)

[@bigo025]

Bonjour, vous faites des videos KZbin certainement par passion et autres... Mais vous n'avez pas idée de l'aide que vous apportez à des personnes qui retrouvent bloquées dans leurs études, projets, recherches et autres. Un simple MERCI ce n'est certainement pas assez au regard du travail fourni, mais j'espère qu'en précisant qu'il vient du fond du coeur, vous saurez lui attribuer une meilleure portée. MERCI!

[@MachineLearnia]

Merci pour votre gratitude :) J'ai un compte tipeee si vous voulez me soutenir :)

[@bigo025]

@@MachineLearnia j'avais pas remarqué. J'apporte au plus vite ma Modeste contribution.

[@MachineLearnia]

@@bigo025 merci beaucoup !

[@penielmmen2088]

Waouh c'est super bien fait je comprends facilement. J'ai fait plusieurs formations certifiantes mais en tombant sur tes vidéos j'ai mieux compris ce que je codais. Je ne fais plus du copier coller, maintenant je sais ce que je fais. Merci beaucoup

[@MachineLearnia]

Bravo je suis fier de vous !

[@madaragrothendieckottchiwa8648]

Bon retour parmi nous ! Au passage bon heureuse année toi comme d'ab belle vidéo !!

[@MachineLearnia]

Merci beaucoup. J’espère que la vidéo vous plait vraiment, j'y ai passé du temps parce que le sujet est fondamental, mais j’espère également que le rythme n'est du coup pas trop lent.

[@saralagab4036]

merci beaucoup je reviens souvant à tes videos ce sont une mine d'or en information

[@aloualassane867]

Cette video est ma preferee de toute la serie...chapeau

[@MachineLearnia]

Merci, ca me fait très plaisir :)

[@ulrichkarlodjo1457]

AH mon professeur favoris est de retour Welcome.! Alors la super vidéo très très très instructifs du contenue clair. Je sens que l'étendue de mon ignorance(erreur) se minimise au fur et à mesure que l'on évolue avec les notions(optimisation) à une vitesse d'apprentissage considérable. J'ai très apprécié la fin de la vidéo punch très énorme

[@MachineLearnia]

Merci mon cher ami, je suis content de savoir que les vidéos t'aident à progresser, c'est le but ! Pas mal la référence ahah ;) Et oui j'insiste le preprocessing c'est la clef, comme d'autres data scientists, j'ai réussi à gagner beaucoup de puissance dans certains projets, en trouvant les bonnes variables à donner au modele de ML, quel degré de PCA (on en parle dans la prochaine vidéo) utiliser, etc.

[@mohammed_yazidcherifi9816]

Excellente vidéo, merci infiniment, don con peut dire que l'étape numéro 1 dans la vie d'un Data scientist est après avoir collecter les donné appliquer les transformations adéquates aux donnée avant de les passer à la machine. Merci infiniment. Cordialement.

[@MachineLearnia]

Merci. L'étape 1 est l'exploration de données et leur compréhension, cela mène au pre-processing. A partir de la vidéo 25/30 nous allons faire des projets complets et vous pourrez bien comprendre la méthodologie de travail

[@mohammed_yazidcherifi9816]

@@MachineLearnia Je suis déjà impatient de les voir :) ;).

[@mohammed_yazidcherifi9816]

Excusez moi, j'ai pas compris quelque chose dans le code où vous avez fait iris = load_iris() puis X = iris.data, est ce que load_iris est une fonction de sklearn ? et que si vous faites t = iris.target que va contenir X et y ? genre comment il saura où sont les targets et les features, ? Merci bien. Cordialement.

[@MachineLearnia]

En effet load_iris est une fonction qui permet de charger un objet "Bunch", c'est-a-dire un objet qui regroupe différents éléments (un peu comme un disctionnaire) je vous invite a lire la documentation sklearn pour bien comprendre ca, ou bien je ferai une vidéo a ce sujet

[@fardirahani8664]

sincerement, monsieur Guillaume Saint-Cirgue, je te donne un truc , tu sera meilleur prof en web , you're the best teacher.

[@MachineLearnia]

Merci beaucoup :)

[@jawadboujida271]

Je fais pas souvent de commentaire, mais ici, je pouvais pas passer sans dire merci. Super clair et concis, vraiment au top cette vidéo !!!

[@MachineLearnia]

Merci beaucoup je le prends avec une grand honneur alors :D

[@rofaidamerdji4213]

Merci merci .. Tu m'as donné l'envie d'étuder

[@MachineLearnia]

Ah ! Quel plaisir quand on me dit ca ! Je vais faire prof ! ahah

[@mamadouseydi4999]

Enfin de retour, comme d'hab belle vidéo, merci a vous.

[@MachineLearnia]

Merci, content de savoir que la vidéo vous a plu !

[@lamismessaadi3893]

mercii enormement pour cette video, vous m'a beaucoup aidé sur mon projet de fin d'etude.

[@Mohamed-Maghrebi]

Merci Monsieur Guillaume, Pour la première fois je peux avoir un porsantage de 100% xD. Mon code: model = make_pipeline(PolynomialFeatures(), StandardScaler(), SGDClassifier(random_state=0)) #model params = { 'polynomialfeatures__degree': np.arange(1, 7), 'polynomialfeatures__include_bias': [True, False], 'standardscaler__copy': [True, False], 'sgdclassifier__penalty': ['L1', 'L2'] } grid = GridSearchCV(model, param_grid=params, cv=4) grid.fit(X_train, y_train) best_model = grid.best_estimator_ y_pred = best_model.predict(X_test) confusion_matrix(y_test, y_pred)

[@MachineLearnia]

Bravo ! :)

[@Mohamed-Maghrebi]

@@MachineLearnia merci ^^.

[@apollinairedabire2852]

Merci pour pour la vidéo, elle vient répondre à une question essentielle de mon domaine d'activité.

[@MachineLearnia]

C'est un plaisir ! A bientôt et bon courage dans vos projets ! :)

[@TheRemiRODRIGUES]

Super ! Il faudra que je la regarde plusieurs fois, car la vidéo est dense ! Je suis sur que tes vidéos sont diffusées en université, et écoles d'ingénieurs, car elles sont de très bonnes qualité et très riche en information ! Merci !

[@MachineLearnia]

Merci a toi ;) Oui, cela arrive, et c'est un grand honneur ! Heureux de partager mon travail avec les gens

[@90fazoti]

Excellente vidéo on apprend toujours de nouvelles choses avec Machine learnia merci encore

[@MachineLearnia]

Merci de toujours être fidèle aux vidéos ! :)

[@mamadoudembele4254]

Tu expliques vraiment bien. Merci beaucoup

[@MachineLearnia]

Merci beaucoup :)

[@master-tech1815]

Je vous admire bro vous me permettez de bien comprendre ces notions Merci bcp et bonne continuation et j'ai hâte de suivre votre vidéo sur les réseaux neuronaux et sur l'algorithme de bacprop

[@MachineLearnia]

Merci beaucoup :) Oui j'ai hâte de faire ces vidéos aussi, j'adore ce sujet et je ferai de mon mieux pour que tout le monde comprenne

[@aymenessouyah6145]

c'est vraiment un très bon récap.Merci

[@MachineLearnia]

Merci beaucoup pour le retour positif

[@amyd.2840]

Merci pour cette super vidéo, c'est vraiment utile ! J'ai aussi hâte de voir le prochain bonus sur Tipeee ! :)

[@MachineLearnia]

Merci, je sors le prochain bonus demain

[@amyd.2840]

@@MachineLearnia Super ! :)

[@LNDev]

hihihi

[@alfreddemusset6296]

c'est quoi ces bonus et pour moi Tippee c'est une tante d'indien non?

[@aymenlazem2062]

Merci beaucoup cher Guillaume!! super beau comme vidéo un Grand bravo pour ton travail !!

[@MachineLearnia]

Merci beaucoup Aymen ! :)

[@abderazzakmouiha2138]

Un grand merci Guillaume

[@MachineLearnia]

De rien !

[@Kimiabot]

merci beaucoup!!! grace à vous je dis bien grâce à vous que je fais du machine Learning et python pour data science. Avant je ne savais rien faire avec python mais là je me sens balaise hahah

[@MachineLearnia]

Je suis tres heureux de lire ca ! :)

[@Kimiabot]

@@MachineLearnia moi je suis très heureux d'être abonné à vous! Alors on se retrouve sur discord!!!

[@jimdelsol1941]

C'est excellent ce que tu fais. Merci ! Continue ! :)

[@MachineLearnia]

Merci beaucoup, je le fais car c'est ma passion et vous êtes un public génial !

[@wafamaatoug9175]

je suis très intéressante de votre vidéos car ils me aide beaucoup a avancée dans ce domaine

[@MachineLearnia]

Merci beaucoup je suis heureux d'apprendre ca ! merci pour votre fidélité !

[@hatemchafik4357]

j'attends impatiemment tes videos , Merci bcp !

[@MachineLearnia]

Merci, je fais de mon mieux pour vous :)

[@-x-dx7295]

Merci pour ce tuto pratico-pratique. Y a plus qu'à.

[@MachineLearnia]

Yes, je vais bientôt vous confier des projets sur la chaîne et on les corrigera ensemble !

[@ollie6845]

c'est vraiment tres puissant!

[@MachineLearnia]

content que ca vous plaise !

[@louaykhammar7268]

Merci pour cette excellente formation

[@abidisoumaya4493]

Merci énormément pour cette vidéo très enrichissante!

[@MachineLearnia]

De rien, c'est un plaisir :)

[@tensianne]

Merci pour toutes ces vidéos!

[@MachineLearnia]

De rien :)

[@rvstats_ES]

Merci! c'était très clair. Super video. Grâce à vous mes modèles de données seront plus efficaces

[@MachineLearnia]

De rien ! :)

[@bairammohamedkheireddine2695]

Vraiment Merci Pour la Vidéo

[@MachineLearnia]

De rien ! tout le plaisir est pour moi

[@aloualassane867]

ah le petit punch qu'il me fallait just pour booster mon debut de semaine ;)

[@MachineLearnia]

Je suis heureux de pouvoir vous motiver ! :D

[@sylvainballerini239]

Ah merci le petit exemple sur la fin avec et sans normalisation donne une bonne idée de l'importance ! ... (et la réponse à la question que j'allais posé ^^')

[@MachineLearnia]

Je suis content d'avoir pu anticiper ta question :D

[@naoureskraiem6981]

bravo et merci infiniment , prière de faire une formation en deep learning et des vidéo pour la reconnaissance des émotions facials

[@MachineLearnia]

C'est prévu ! J'ai commencé a le faire !

[@naoureskraiem6981]

Merci et bonne continuation

[@aminataba8426]

je ne saurait comment vous remercier vraiment chapeaux vos vidéo mon vraiment aidé en tant que débutante. Cependant j'aurais besoin de votre aide pour se connecter a des bases de données MySQL ET PostgreSQL avec python

[@endingalaporte]

Merci pour ce contenu de qualité !

[@MachineLearnia]

De rien !

[@denisg_photographies]

Excellent!

[@gnimdoukao7191]

Merci Guillaume

[@MachineLearnia]

De rien :)

[@roddymbamba545]

C'est super

[@MachineLearnia]

Merci !

[@laurentdorel8354]

Bonjour Guillaume, j'ai repris la pipeline en testant d'autres transformers (MinMaxScaler et RobustScaler) et j'obtiens de moins bon résultats qu'avec StandardScaler ! Avec StandardScaler Le meilleur score est de 0.975 La meilleure combinaison est {'polynomialfeatures__degree': 4, 'sgdclassifier__penalty': 'l1'} Le test_score est de 0.933 Avec MinMaxScaler : Le meilleur score est de 0.967 La meilleure combinaison est {'polynomialfeatures__degree': 3, 'sgdclassifier__penalty': 'l1'} Le test_score est de 0.867 Avec RobustScaler : Le meilleur score est de 0.975 La meilleure combinaison est {'polynomialfeatures__degree': 4, 'sgdclassifier__penalty': 'l1'} Le test_score est de 0.9

[@MachineLearnia]

Oui c'est tout a fait possible, tout va bien :)

[@Kodjo_kam]

Simplement super

[@MachineLearnia]

Merci

[@alexandreverdonck941]

Super vidéo ! :D Merci pour ton travail

[@MachineLearnia]

Merci beaucoup, ca fait super plaisir !

[@caumauethjacques-emile3124]

Le preprocessing c'est la clé de votre réussite. Merci pour la vidéo, j'en pleure de joie

[@MachineLearnia]

Merci, c'est bon de savoir que je peux vous aider ! :)

[@pulsorion]

La qualité ✔ 👏🔥

[@MachineLearnia]

C'est le plus important la qualité ! Merci a toi ;)

[@therenceladys631]

je suis impatient quand tu vas commencer la série sur le deep leraning

[@MachineLearnia]

En septembre :)

[@sanji2254]

Salut Guillaume, Tout d'abord un grand merci pour ces cours que tu nous mets à disposition gratuitement, ils n'ont absolument rien à envier a ceux présents dans des formations parfois hors de prix ! Donc c'est littéralement un cadeau d'une très grande valeur que tu fais à toute ta communauté De plus on sent que tu est passioné et c'est communicatif ! En ce qui concerne la vidéo j'ai une remarque à faire, je reproduit toujours le code que tu produis pas-à-pas pour mieux comprendre et mémoriser les approches/méthodes et tips que tu présentes. Hors ici en entrainant le pipeline avec GridSearch j'ai obtenu un score de ... 1.0 ça me paraît beaucoup non ? Est-ce normal ou cela montre que j'ai glissé une erreur dans le code ? D'ailleurs quand je teste sans aucun preprocessing, j'obtiens un score de 0.64 qui la encore n'est pas le même résultat que dans la vidéo. A vrai dire c'est plus le score de 1 qui m'inquiète ;) Merci beaucoup de m'avoir lu, et encore merci pour tout ce que tu fais c'est vraiment impressionnant

[@landrynoulawe1565]

Merci pour cette vidéo aussi riche que d'habitude J'aurais deux questions cette fois ci. -1) Concernant l'encodage des variables catégorielles, notamment l'encodage OneHot, tu nous as bien fait comprendre que sklearn avait développé des techniques de stockage des matrices creuses qui permet de gérer le problème d'espace, mais j'aimerais savoir, d'un point de vu logique notre dataset à quand même autant de dimensions en plus qu'il y avait de catégories dans la variable de départ. Ne risquons nous pas de souffrir de la malédiction de la dimension si nous avons beaucoup de catégories dans nos variables et éventuellement beaucoup de variables catégorielles ? -2) Ma deuxième question est de savoir si les opérations de preprocesssing, notamment de normalisation peuvent s'appliquer aussi sur des variables catégorielles encodées? Est-ce que ça aurait du sens ?

[@MachineLearnia]

il n'y a pas la suite de la question ^^

[@landrynoulawe1565]

@@MachineLearnia La question n'a pas de suite

[@landrynoulawe1565]

@@MachineLearnia Désolé d'insister, mais j'ai l'impression que tu m'as oublié Guillaume

[@Jihaoui]

merci prof

[@madanisaid1247]

excellent...

[@oumarndiaye32]

merci pour les postes intéressants, je vous suis .....

[@MachineLearnia]

Merci a bientôt !

[@yousseffellous8153]

Merci Merci pour ce cadeaux ;)

[@MachineLearnia]

Merci c'est un plaisir de faire des vidéos :)

[@ediangonebadji7964]

Encore Merci!!!!!!!

[@MachineLearnia]

de rien :)

[@alfreddemusset6296]

Les deux dernières vidéos au niveau contenu c'est du lourd. Toujours avec cette aisance et cette réthorique didactique de présentation. Je m'accroche je m'accroche à chaque fois je dois faire des fiches pour synthétiser le contenu. Une petite question SVP lorsque vous écrivez model = make_pipeline(PolynomialFeatures(), StandardScaler(), SGDClassifier(random_state=0)) model J'obtient ceci et pas ce qui se produit sur votre écran qui me serait nécessaire pour réaliser le dictionnaire de paramètre :( Pipeline(steps=[('polynomialfeatures', PolynomialFeatures()), ('standardscaler', StandardScaler()), ('sgdclassifier', SGDClassifier(random_state=0))])

[@MachineLearnia]

Bonjour et merci pour votre compliment :) Je ne comprends pas votre question, ce que vous obtenez est correct ! (parfois d'une version de librairie a l'autre font juste que les choses sont présentées différemment)

[@aubam3498]

Bonjour à toi, Merci pour tes supers vidéos, je me sens beaucoup plus à l'aise dans ce domaine depuis que j'ai commencé à les suivre. J'ai une question qui n'a pas grand chose à voir avec les vidéos mais qui me semble importante. Quelle est selon toi la différence entre un Data Engineer et un Data Analyst ? Et quelles sont les vidéos qui devraient beaucoup servir pour chacun de ces deux métiers ? Merci d'avance et vivement la prochaine vidéo 😊

[@MachineLearnia]

Bonjour et merci je suis content de savoir que mes vidéos t'ont permis de progresser ! :) Pour répondre a ta question, les vidéos de cette séries sont surtout utiles pour un Data Scientist / Data Analyst. Un Data Engineer devra plus apprendre a maitriser des outils comme Spark, Hadoop, et SQL. Son role est de s'occuper du ETL (Extract, Transform, Load) des données. Je ferai également des vidéos a ce sujet a l'avenir. Merci pour ton soutien et j’espère lire d'autres commentaires de ta part un de ces 4 ;) A+

[@chainonsmanquants1630]

Merci

[@imkoussa]

merci beaucoup

[@MachineLearnia]

de rien :)

[@madjidAITMOHAND]

nous sommes en décembre 2023 est ce que vous êtes toujours la?

[@LaurentD90]

J'avais regardé les pipeline dans un bouquin, c'était pas super clair. Dans cette vidé, c'est limpide ! Merci 1000x

[@MachineLearnia]

Je suis content d'avoir pu vous aider dans cette vidéo !

[@elnoritop]

Encore une super vidéo, bravo pour la pédagogie. Des vidéos prévues sur PyTorch, TensorFlow ou Keras ?

[@MachineLearnia]

Merci beaucoup ! Je prévois de faire des tutoriels sur les 3 ! (des séries même !) On en parle un peu plus tard dans l'année, car pour le moment il faut finir cette série la !

[@jmbdeblois]

super travail une nouvelle fois. Pas trouvé mieux que 0.9736842105263158 pourtant avec d'autres transformer et une GridSearch plus étendue.

[@MachineLearnia]

Merci pour ton analyse. Si tu veux, tu peux partager ton code avec la communauté ici-même et sur discord, tu aideras ainsi les gens qui cherchent eux-même a faire l'exercice. Ainsi tout le monde s'entre-aide et c'est magnifique :D Tu as utilisé quel Estimateur ?

[@jmbdeblois]

@@MachineLearnia j'ai utilisé standardscaler, robustscaler et minmaxscaler comme transformeurs. et un SGDClassifier comme estimateur, avec le code ci-dessous. J'ai également essayé avec un RidgeClassifierCV comme estimateur mais pas mieux !

[@jmbdeblois]

import numpy as np import matplotlib.pyplot as plt from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler, PolynomialFeatures,MinMaxScaler, RobustScaler from sklearn.linear_model import SGDClassifier, RidgeClassifierCV from sklearn.pipeline import make_pipeline from sklearn.model_selection import GridSearchCV from sklearn.datasets import load_iris iris=load_iris() X=iris.data y=iris.target Xtrain,Xtest,ytrain,ytest=train_test_split(X,y) model=make_pipeline(PolynomialFeatures(),StandardScaler(),SGDClassifier(random_state=0)) params={ 'polynomialfeatures__degree':[2,3,4], 'sgdclassifier__alpha':[0.0001,0.001,0.01,0.1,1,10], 'sgdclassifier__penalty':['l1','l2','elasticnet'], 'sgdclassifier__loss':['hinge', 'log', 'modified_huber', 'squared_hinge'], 'sgdclassifier__max_iter':[100,1000] } grille=GridSearchCV(model,param_grid=params,cv=4) grille.fit(Xtrain,ytrain) grille.best_params_ grille.score(Xtest,ytest) avec StandardScaler résultat grille.score est 0.9736842105263158 model3=make_pipeline(PolynomialFeatures(),RobustScaler(),SGDClassifier(random_state=0)) avec RobustScaler grille.score donne : 0.8947368421052632 model2=make_pipeline(PolynomialFeatures(),MinMaxScaler(),SGDClassifier(random_state=0)) avec MinMaxScaler grille.score donne : 0.9210526315789473

[@MachineLearnia]

@@jmbdeblois Merci de la part de la commu :)

[@jmbdeblois]

@@MachineLearnia merci à toi surtout

[@aureliendeside4778]

Super intéressant comme d’habitude !! Petite question : Est-ce que cette série va parler des réseaux de neurones et de TensorFlow ? **je suis débutant donc je ne sais pas si Sklearn inclut déjà des réseaux de neurones**. Merci !

[@MachineLearnia]

Merci. Sklearn permet de développer des réseaux de neurones (dans le module sklearn.neural_network) mais je ne conseille pas de l'utiliser. Pour développer des réseaux de neurones, on va en effet utiliser Keras, TF, ou Pytorch. Je ne le ferai pas dans cette série mais dans une série spécialement dédiée a cela.

[@ediangonebadji7964]

@@MachineLearnia Voilà une très bonne nouvelle; je peux allez au lit rassurer avec un rêve...

[@GassCode17]

Bonjour Guillaume, encore une fois merci beaucoup pour tes videos,je suis un certificat professionnel en python machine learning et data science avec ibm sur edx que j'ai presque fini mais c'est surtout grace à tes videos que j'arrive à cerner les choses.Pour aller encore plus loin j'aimerai avoir des exercices à traiter!ou si tas des conseils en particulier à donner aussi.Merci

[@MachineLearnia]

Merci, ça me fait toujours très plaisir quand on me dit que mes vidéos gratuites sont aussi bien que certains cours payants ! :) Pour t’entraîner avec des exercices, tu peux te rendre sur le site Kaggle.com, ou sinon attendre un peu car je vais faire des séries de projet et d'exercices dans pas longtemps sur la chaine !

[@GassCode17]

@@MachineLearnia sans aucun problème, je vais my rendre attendant que tes exercices soient dispo,encore une fois châpeau,.merci

[@4abdoulaye]

Goooooood

[@MachineLearnia]

Thanks mate :)

[@4abdoulaye]

Realy good

[@MachineLearnia]

Thank you! Cheers!

[@3MAS-FR-MA]

génial ;)

[@MachineLearnia]

Merci :)

[@raphaelollier8048]

Bonjour, existe t-il une méthode qui permettrait de lister l'ensemble des valeurs possibles à un hyper paramètres donné ? Merci d'avance et super série de vidéos!

[@ndesilulrich3523]

Bonjour M. Saint-Cirgue, je vous remercie pour vos vidéos qui représentent une mine d'or pour l'apprentissage efficace du machine learning et une prise en main rapide de Python. J'ai une question : est-ce que la valeur moyenne d'une variable normalisée (MinMax, RobustScaler) est plus robuste (représentative des observations qu'elle résume) que la valeur moyenne de cette variable non normalisée?

[@YOUCEFBENMOHAMMED-y7p]

Bonjour, merci pour ces explications, J'ai une question, par rapport au dataset iris étant les variables ont été mesuré avec même unité donc même echelle, donc initialement c'est un exemple d'un dataset ou la normalization n'est pas nécecssaire, Or comme nous pouvons la normalization a améliorée considérablement l'accuracy, + est-ce la normalization augumente toujours l'exactitude du modèle ? + à part la différence des echelles entre les features, et la distirbution des individus qu'est ce qui permet de dire les données ont besoin d'être normalisés, Merci

[@gregoiredelahaye920]

Salut, superbe vidéo, toujours un plaisir de t'écouter Guillaume. J'ai une petite question sur le transformer et le pipeline. Tu as montré qu'on réalisait le fit_transform sur les données d'entrainement, et qu'on pouvait ensuite transformer les données de test. Si des données de validation interviennent, est-ce qu'il faut les séparer des données d'entrainement avant d'utiliser le fit_transform?

[@MachineLearnia]

Bonjour, désolé pour ma réponse tardive (j'ai deménagé). Si c'est une cross_validation, tu n'as rien a faire, tout est pris en charge par Sklearn. Si ce sont des données de Validation, alors oui il faut les séparer en 3 set : Train, Val, Test, et faire le fit_transform uniquement sur le Train. Ensuite le Transform() sur le Val, puis Le test aussi aura un Transform.

[@hb650722]

Bonjour Guillaume, je viens de m'abonner à votre chaine que je trouve super! j'ai déjà une question: dans la video 22, vous présentez fit comme une méthode de transformation, parle-t-on du même fit qu'on a vu dans les Modèles LinearRegression, SVM...? ou s'agit -il d'un autre fit?

[@MachineLearnia]

Oui c'est exactement le meme fit ! Il a pour but d'estimer les parametres de transformation (mais pas de prédiction) d'un modele de transformation (mais pas de prédiction). Mais c'est le meme principe ! :) Désolé pour la réponse tardive, votre commentaire était tombé dans la boite "review" de l'algorithme KZbin, je ne sais pas pourquoi.

[@fardirahani8664]

SGDClassifier est importé à partir du module linear_module(from sklearn.linear_model import SGDClassifier), merci

[@KeyvanTajbakhsh]

Merci pour cette vidéo ! c'est très clair et bien expliquée! Juste une question; Quand tu dis qu'on ne perd pas d'information en appliquant la normalisation. Est ce que la variance n'est pas perdu en appliquant la méthode MinMax scaler? Peace

[@MachineLearnia]

Non elle n'est pas perdue, et on peut toujours faire marche arriere (revenir aux parametres de base)

[@horo.grutto]

Bonjour, déjà un grand merci pour l'ensemble de tes vidéos. L'apprentissage est vraiment facilité :) Petite question concernant la partie PolynomialFeature. Tu dis qu'il ne faut pas oublier de normaliser les variables après avoir utiliser un polynomiale feature. J'aurais tendance à penser qu'il faut le faire avant, dans le cas où l'on souhaite combiner deux variables dans un poly - comme le prix et la surface (pour les mettre à l'échelle avant de calculer le poly). Mais peut-être que cela ne change rien :) Merci d'avance pour ta réponse.

[@MachineLearnia]

Salut ! C'est une bonne question ! Si tu normalises avant de faire un polynomialFeatures, alors tu vas multiplier des valeurs comprises entre 0 et 1, ce qui les rend encore plus petites -> 0.1 x 0.1 = 0.01 et qui casse la logique de ce que tu veux. (genre si tu mets une distance au carré, genre 10km -> 100 km, ca te donne un réultat plus grand) Bref en fait on pourrait en parler longtemps, un commentaire ne suffit pas.. Mais j'espere que tu as pu comprendre ce que je disais. Je t'invite a faire des expériences de ton coté :)

[@horo.grutto]

@@MachineLearnia Salut. Merci pour ta réponse, c'est très clair ;)

[@programmesandgames5807]

Salut Guillaume, Merci tout d'abord pour ce super travail, pour l'effort et l'explication. j'ai deux questions : 1- est-que vous pouvez faire un video pour expliquer le principe de SGDclassifier comme vous avez fait pour le gradient de descent ?? 2 - Est que vous pouvez faire une autre série des videos pour le Deeplearning ou bien NLP ?? et Merci encore une fois !!!

[@MachineLearnia]

Salut. Alors pour aller droit au but : J'ai prévu de faire tout ca ! :D (et je suis en train de faire la série de vidéos sur le deep learning aujourd'hui meme)

[@sylvainhansen7463]

Bonjour Guillaume, merci pour toutes ces videos très pédagogiques et très intructives. Je suis un débutant en data analytics avec Python. Je traite principalement des données de spectroscopie. Je me demandais si il existait un moyen de tester différents pre-processing (par exemple différentes normalisation, différentes dérivées, ...) en plus des hyperparamètres? Et d'automatiser tout ça? Merci

[@MachineLearnia]

Bonjour, oui c'est possible et c'est une chose que l'on fait souvent. Je crois que je montre comment dans les vidéos suivantes (de souvenir) Mais attention cela demande beaucoup de ressources et beaucoup de temps de calcul. On ne peut pas aveuglément tester des millions de configurations possibles, et il faut faire des choix.

[@jordanmolet3856]

Merci pour cette vidéo riche en contenu! Apparemment ici le test_size est laissé à 0.25 (par défaut), ce qui donne 97% avec pre-processing et 84% sans pre-processing. En passant par une boucle, on se rend facilement compte qu'en faisant varier test_size entre 0.25 et 0.50 (avec random_state=0), on obtient des précisions qui oscillent entre 92 et 98% avec pre-processing, et de 45 à 98% sans pre-processing. Du coup, le pre-processing nous garanti une stabilité de la mesure de précision quelque soit la taille du Test set et donc réduit le coût total de données nécessaires ?

[@MachineLearnia]

Non, le preprocessing ne permet pas cela. D'une maniere général, on met dans le test set juste le nombre de donnée nécessaire pour se dire : "ok, mon modele a une performance de 97% sur le test set et je suis quasi sur que la performance va etre la meme a l'avenir car j'ai suffisamment de donnée dans le test set pour faire une généralisation". C'est un peu comme les tests statistiques : on essaie de savoir si les résultats qu'on observe peuvent etre raisonnablement étendus a la réalité

[@Michael-vi5ch]

Merci beaucoup pour vos excellentes vidéos! Lors du preprocessing, est-il possible d'inclure un traitement des outliers, notamment avec une méthode provenant de sklearn?

[@MachineLearnia]

Bonjour ! Oui c'est posible avec l'algorithme Isolation Forest que je recommande vivement, et qui est présent dans sklearn. Pour apprendre a l'utiliser, je vous conseille la vidéo 24/30 sur l'apprentissage non-supervisé

[@Michael-vi5ch]

Parfait. Merci pour la réponse et bravo pour le suivi.

[@nicolasoubda6917]

Bonjour Guillaume, merci pour les merveilleuses explications, très claires, nettes. J'ai une question, elle est la suivante: Pour la phase d'encodage nous pouvons utiliser la méthode de transformation des données catégorielles en numérique à travers df['column'].astype('category').cat.codes? Si oui quel est l'avantage par rapport à la méthode données dans sklearn.preprocessing? Quelle méthode préconiserez-vous? Merci.

[@MachineLearnia]

Bonjour et merci beaucoup :) Les 2 méthodes se valent. Celles de sklearn ont l'avantage de pouvoir être intégrées aux pipelines, je les conseille pour faire du machine learning. Quand on fait juste une analyse de données (sans développer de modeles) alors pandas suffit.

[@datascience9777]

Merci guillaume pour cette superbe Video , je t'en remercie énormément! Dis moi stp au niveau des paramètres tu te bases sur quoi pour choisir les paramètres à optimiser . Concrètement pourquoi 'sgdclassifier__penalty': ['l1','l2'] et non 'sgdclassifier__penalty': ['l5','l6'] et pour quoi chosir de travailler sur le paramètre 'sgdclassifier__penalty' et non le paramètre 'sgdclassifier__L1ratio' je voudrais savoir qu'est ce qui devrais nous guider pour choisir les paramètres à optimiser. merci!

[@MachineLearnia]

Il faut connaitre les hyper-parametres des modeles (et pour ca comprendre un minimum les algorithmes de Machine Learning). Ne t'en fais pas je prépare une série de vidéos qui va expliquer le fonctionnement des algorithmes de machine learning, et comment les utiliser avec les hyper-parametres.

[@datascience9777]

@@MachineLearnia merci pour votre réponse!

[@severinedubuisson]

A la fin de la vidéo, la différence entre 97% et 84% n’est pas juste due au pre-processing, mais également à la sélection des meilleurs paramètres du modèles, je me trompe ? Bravo pour cette vidéo, plus dense que les autres, mais très pédagogique, comme d’habitude !

[@MachineLearnia]

Tu as raison, mais c'est beaucoup la normalisation qui entre en compte tout de meme !

[@naimaboubaker9256]

Excellente chaîne merci énormément Est ce qu'il y a des algorithmes ML pour la conformité des données et le format incohérente (inconsistant) Cordialement

[@TanguyDr]

Merci beaucoup pour cette vidéo! Petite question, est ce qu'il faut normaliser les valeurs encoder pour les utiliser avec les autres variables? Merci :)

[@MachineLearnia]

Non, il n'est pas utile de normaliser des variables catégorielles, sauf si on commence a avoir plus de 10 catégories nominales (donc des nombres allant de 0 a 10)

[@Hicham-pz2em]

Bonjour et merci pour cette super vedeo ! j'ai un question à la mintute 18:15 pourquoi la transform de x_test elle a donné 0.4 et ne pas 0

[@thespirit3676]

Salut, encore une super vidéo très bien expliqué, merci 👍 il reste néanmoins un point que j'ai du mal à comprendre c'est l'utilisation de polynomial features dans linear regression, comment peut on obtenir une courbe à partir d'une fonction de régression linéaire ? Merci à celui ou celle qui pourra m'éclairer 😁

[@MachineLearnia]

je te conseille de voir ma vidéo régression polynomiale qui répond a cette question

[@thespirit3676]

@@MachineLearnia Effectivement je n'avais pas terminé la série ML, tout est plus clair maintenant merci 👍

[@laurambia8831]

Bonjour @MachineLearnia , merci pour cette belle vidéo. J'ai une question à cet effet, si mon dataset contient des variables qualitatives et quantitatives et que j'y applique le transformer onehitencoder, la transformation va t-elle affecter les variables qualitatives? Si oui, comment contourner le problème lorsqu'on veut juste transformer les variables qualitatives.

[@MachineLearnia]

Merci beaucoup. Tres bonne question ! J'y réponds justement dans la prochaine vidéo qui sort dans quelques jours ! Il faut soit traiter chaque colonne indépendamment avec pandas et sklearn, soit construire une pipeline avec la Classe ColumnTransformer (le sujet de la prochaine vidéo)

[@alexiscarlier2773]

Bonjour Guillaume, super vidéo encore une fois. Existe-t-il une fonction dans scikit learn pour fit des fonction de type exponentielle (par exemple: a * np.exp(-b * x) + c)? Autre chose, la normalisation est-elle aussi nécessaire en régression?

[@MachineLearnia]

Bonjour Alexis. Si vous connaissez déjà la formule qu'est sensé respecter votre modèle, alors je vous conseille d'utiliser Scipy (j'ai fait une vidéo a ce sujet). Vous fournissez la fonction a votre modèle et il vous trouve les coefficients qui minimisent les erreurs.

[@neliamehani6026]

Pour la partie de la normalisation transforme scaler, imaginez qu'on veuille rajouter une nouvelle variable comme vous l'avez fait avec 80, mais qui soit supérieure au max (en l'occurrence dans cet exemple supérieure à 120) ça ne va pas fausser l'information sur les variables ?

[@mohammadpatel5065]

Merci pour toutes ces vidéos et ce partage de connaissance ! Pédagogie au top ! Quel serait l'utilisation de la fonction PolynomialFeatures dans un projet de data science ? Si t'as un exemple histoire d'imagé le propos. Merci !

[@MachineLearnia]

Merci a toi ! :) Un exemple de PolynomialFeatures -> On l'utilise dans le projet de la fin de cette série (vidéos 27, 28, 29). Mais voici un autre exemple : Dans l'immobilier, tu disposes de la surface habitable ainsi que du nombre de piece parmi toutes tes variables. En utilisant polynomialfeatures(2), cela va automatiquement multiplier toutes tes variables 2 a 2, ce qui fait que tu auras une variable (Surfacehabitable * nombre de piece) ce qui peut etre intéressant pour la machine, car elle y verra peut-etre un lien fort avec le prix. Je m'explique : Si un batiment dispose de 1 piece, et qu'il fait 300 m2, alors il s'agit suremnt d'un hangar (et le prix d'un hangar n'est pas le meme que celui d'une maison de 300m2). Pour résumé, en combinant des variables ensembles, on arrive aobtenir des infos tres utiles pour la machine, et le transformer PolynomialFeatures permet de faire ces combinaisons automatiquement sur tout le dataset.

[@mohammadpatel5065]

@@MachineLearnia Merci pour ces précisions. À utiliser avec les Regression ou peu importe ?

[@MachineLearnia]

Regression Et classification, peu importe :)

[@elijoelessononzoghe3585]

J'aurais une question: pourquoi tu n'as pris que les penalty de SGDClassifier?