Notebooks Machine Learning — ACP, Clustering & KNN

Collection de travaux pratiques de Machine Learning couvrant la réduction de dimensionnalité, le clustering et la classification, appliqués sur des datasets réels.

---

Contenu du notebook

Réduction de dimensionnalité

Dataset Iris (classification de fleurs : Setosa, Versicolor, Virginica)

• Visualisation 3D des individus (Sepal.Length, Petal.Length, Sepal.Width)
• ACP avec et sans standardisation des données
• Cercle des corrélations et biplot
• Test des bâtons brisés (scree plot) — sélection du nombre de composantes
• Analyse des eigenvalues et % de variance expliquée
• Saturations (factor loadings) des variables sur les composantes principales
• Résultat : 2 composantes expliquent 100% de la variance ; petal.length = variable la plus contributive (CP1)

Dataset Decathlon

• ACP sur les performances des athlètes
• Analyse des contributions par épreuve

---

Clustering

K-Means

• Génération de données artificielles (make_blobs, make_moons)
• Méthode du coude pour déterminer k optimal
• Score de silhouette

Clustering Hiérarchique Agglomératif

• Dendrogrammes (linkage : ward, complete, average)
• AgglomerativeClustering avec différentes métriques

Dataset Tinder

• Segmentation des profils utilisateurs par comportement

---

Classification — KNN

• K-Nearest Neighbors sur dataset Iris
• Évaluation des performances (accuracy, matrice de confusion)
• Influence du paramètre k sur les frontières de décision

---

Installation

pip install pandas numpy matplotlib scikit-learn scipy jupyter
jupyter notebook "Machine Learning.ipynb"

---

Stack technique

---

Auteur

Emmanuel KOURAOGO GitHub · Email