Scribd
Importer
49 vues2 pages

TP Modelisation

Le document présente un module de Data Mining pour l'année universitaire 2024-2025, axé sur la classification, la régression et le clustering. Pour chaque type d'analyse, il décrit les étapes à suivre, y compris le prétraitement des données, la spécification des hyperparamètres, la définition des métriques, la génération des modèles et l'interprétation des résultats. Un tableau comparatif des résultats est également requis pour chaque algorithme utilisé.

Transféré par

n.yakote
Copyright
© © All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd
49 vues2 pages

TP Modelisation

Le document présente un module de Data Mining pour l'année universitaire 2024-2025, axé sur la classification, la régression et le clustering. Pour chaque type d'analyse, il décrit les étapes à suivre, y compris le prétraitement des données, la spécification des hyperparamètres, la définition des métriques, la génération des modèles et l'interprétation des résultats. Un tableau comparatif des résultats est également requis pour chaque algorithme utilisé.

Transféré par

n.yakote
Copyright
© © All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd

Module Data Mining

MIAGE S8
Pr Aicha MAJDA
Année Universitaire 2024-2025

TP
Datamining
Classification, Régression et Clustering

A. Classification (dataset de la compagnie de telecom)


Pour chaque algorithme de classification, faire les étapes suivantes :
1) Recenser les prétraitements et les transformations à faire
2) Selon l’algorithme
a) Spécifier ses hyperparamètres s’ils existent.
b) Définir les paramètres de la fonction qui génère le modèle
c) Définir les métriques à utiliser
d) Générer le modèle
e) Interpréter les résultats obtenus avec les métriques choisies
3) Faire un tableau comparatif des résultats de tous les algorithmes utilisés
B. Régression (dataset Salaire(Années d’experiences))
Pour chaque algorithme de régression, faire les étapes suivantes :
1) Recenser les prétraitements et les transformations à faire
2) Selon l’algorithme
a) Spécifier ses hyperparamètres s’ils existent.
b) Définir les paramètres de la fonction qui génère le modèle
c) Définir les métriques à utiliser
d) Générer le modèle
e) Interpréter les résultats obtenus avec les métriques choisies
3) Faire un tableau comparatif des résultats de tous les algorithmes utilisés

C. Clustering (dataset de la compagnie de telecom)


Choisir la k moyenne pour le clustering et faire les étapes suivantes :
1) Recenser les prétraitements et les transformations à faire
2) Selon l’algorithme

1
a) Spécifier ses hyperparamètres s’ils existent.
b) Définir les paramètres de la fonction qui génère le modèle
c) Définir les métriques à utiliser
d) Générer le modèle
e) Interpréter les résultats obtenus avec les métriques choisies

Vous aimerez peut-être aussi