Scribd
Importer
13 vues2 pages

Le Code Suivanttes

Le document présente un code Python pour charger, redimensionner et convertir des images en tableaux NumPy, puis divise les données en ensembles d'entraînement et de test. Il entraîne un modèle de régression logistique sur les données d'entraînement et évalue ses performances sur l'ensemble de test. Enfin, il propose une fonction pour visualiser les prédictions du modèle sur quelques images de test.

Transféré par

saidista2021
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 DOCX, PDF, TXT ou lisez en ligne sur Scribd
13 vues2 pages

Le Code Suivanttes

Le document présente un code Python pour charger, redimensionner et convertir des images en tableaux NumPy, puis divise les données en ensembles d'entraînement et de test. Il entraîne un modèle de régression logistique sur les données d'entraînement et évalue ses performances sur l'ensemble de test. Enfin, il propose une fonction pour visualiser les prédictions du modèle sur quelques images de test.

Transféré par

saidista2021
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 DOCX, PDF, TXT ou lisez en ligne sur Scribd

gdgfdfgdtrdtrdt

Ahjghjgjhgdd jdgd
Le code suivant charge vos images, les redimensionne et les convertit en tableaux NumPy :
import os
import numpy as np
from PIL import Image
from sklearn.model_selection import train_test_split

def charger_donnees(chemin_dossier):
"""Charge les images depuis un dossier et ses sous-dossiers."""
images = []
labels = []
for dossier_label in [Link](chemin_dossier):
chemin_dossier_label = [Link](chemin_dossier, dossier_label)
if [Link](chemin_dossier_label):
for nom_fichier in [Link](chemin_dossier_label):
if nom_fichier.endswith(".png"):
chemin_fichier = [Link](chemin_dossier_label, nom_fichier)
image = [Link](chemin_fichier).convert('L') # Convertir en niveaux de gris
image = [Link]((64, 64))
image_array = [Link](image).flatten() # Aplatir l'image
[Link](image_array)
[Link](int(dossier_label[0]) - 1) # Extraire le label (0, 1, 2, 3)
return [Link](images), [Link](labels)

chemin_donnees = "chemin/vers/votre/dossier/jeu_donnees_formes_geometriques"
X, y = charger_donnees(chemin_donnees)

3. Division des données

Divisez vos 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)

4. Entraînement d'un modèle

Utilisons un classificateur de machine learning simple, comme une régression logistique :

from sklearn.linear_model import LogisticRegression

modele = LogisticRegression(max_iter=1000)
[Link](X_train, y_train)

5. Évaluation du modèle

Évaluez les performances du modèle sur l'ensemble de test :


from [Link] import accuracy_score, classification_report

y_pred = [Link](X_test)
accuracy = accuracy_score(y_test, y_pred)
print(f"Précision : {accuracy}")
print(classification_report(y_test, y_pred))
6. Visualisation des résultats (facultatif)

Vous pouvez visualiser quelques images de test et leurs prédictions :


import [Link] as plt

def afficher_predictions(images, labels_vrais, labels_predits, noms_classes, nombre_images=25):


"""Affiche les images avec leurs labels vrais et prédits."""
[Link](figsize=(10, 10))
for i in range(nombre_images):
[Link](5, 5, i + 1)
[Link]([])
[Link]([])
[Link](False)
[Link](images[i].reshape(64, 64), cmap=[Link])
couleur = "vert" if labels_predits[i] == labels_vrais[i] else "rouge"
[Link](f"{noms_classes[labels_predits[i]]} ({noms_classes[labels_vrais[i]]})", color=couleur)
[Link]()

noms_classes = ["Carré", "Triangle", "Rectangle", "Cercle"]


afficher_predictions(X_test, y_test, y_pred, noms_classes)
merci pour
er

Vous aimerez peut-être aussi