scikit-learn

ML

Apprentissage automatique

Aperçu scikit-learn

Scikit-learn est la bibliothèque d'apprentissage automatique la plus populaire de Python. Il fournit des API simples et cohérentes pour la classification, la régression, le clustering, la réduction de dimensionnalité, la sélection de modèles et le prétraitement. Scikit-learn est le point de départ de pratiquement tous les projets d'apprentissage automatique en Python.

PyRunprend en chargescikit-learndans le cadre de la distributionPyodide, ce qui signifie que vous pouvez entraîner des classificateurs, calculer des scores de précision et explorer les algorithmes ML entièrement dans votre navigateur. Il s'agit d'un outil pédagogique puissant : exécutez le classificateur Iris, expérimentez avec des hyperparamètres et consultez les résultats sans ordinateur portable cloud.

Sortie de code et d'exécution

Entraînez une forêt aléatoire sur l'ensemble de données Iris.

Scikit-learn ClassifierExécuter dans l'éditeur
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score, classification_report

iris = load_iris()
X, y = iris.data, iris.target

X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.25, random_state=42
)

clf = RandomForestClassifier(n_estimators=50, random_state=42)
clf.fit(X_train, y_train)

preds = clf.predict(X_test)
print(f"Accuracy: {accuracy_score(y_test, preds):.2%}\n")
print("Classification Report:")
print(classification_report(y_test, preds, target_names=iris.target_names))

Forfaits associés

Ressources Python recommandées

Développez vos connaissances avec des didacticiels interactifs, des aide-mémoire et des comparaisons de codes associés.