Please enable JavaScript.

Coggle requires JavaScript to display documents.

Machine Learning - Coggle Diagram

- - - - tree.DecisionTreeClassifier
        
        L'arbre de classification est un arbre de décision, par exemple la prédiction de la survie des passagers du titanic en fonction de leur sexe, âge et classe du ticket poser des questions (oui/non) pour construire un arbre de décision
      - linear_model.LogisticRegression
        
        consiste à faire des transformations et calibrer via une fonction de coût pour lisser la courbe qui serait obtenue grâce à la régression linéaire et de manière à jouer entre 0 et 1
      - neighbors.KNeighborsClassifier
        
        Consiste à calculer pour un point donné la distance entre celui-ci et tous les autres. On peut choisir la distance Euclidienne.Ensuite on pourra choisir les x voisins plus proches pour faire nos estimations
        Note : la normalisation des variables consiste à faire des transformations en jouant sur l'échelle du graphe de nos points de manière à avoir le calcul de nos estimations le plus pertinent possible
      - svm.SVC
        
        consiste à analyser des données linéairement séparables en prenant la moyenne de la marge de distance qu'il y entre les deux ensembles de points pour faire nos estimations
      - naive_baybes.GaussianNB
        
        Ensemble d'algorithmes pour analyser les distributions et prédire l'appartenance à une classe ou une autre lorsque les variables sont indépendantes entre elles (covariance est nulle)
      - discriminant_analysis.LinearDiscriminantAnalysis
        discriminant_analysis.QuadraticDiscriminantAnalysis
        
        Ensemble d'algorithmes pour analyser les distributions et prédire l'appartenance à une classe ou une autre lorsque les variables sont dépendantes entre elles (de même variance = LDA et de variances différentes = QDA)
    - - linear_model.LinearRegression
        Ridge
        Lasso
        
        Consiste à prédire des courbes linéaires et a applique
        au besoin une régularisation Ridge ou Lasso
      - neighbors.KNeighborsRegressor
        
        Consiste à examiner les voisins pour
        résoudre une problématique de régression
      - tree.DecisionTreeRegressor
        
        C'est un arbre de décision qui consiste à prédire y en
        choisssant sur quelle valeur de x splitter pour analyser des modèles de régression qui est non linéaire
      - svm.SVR
        
        consiste à analyser des données
        linéairement séparables. On prend la moyenne
        de la marge de distance qu'il y a entre les deux ensembles de point pour faire nos estimations
    - - Classification
        
        ensemble.baggingClassifier
        
        On va faire un ré-échantillonnage avec remise (Bootstrap) pour créer un nouveau dataset, sur la base duquel ou desquels on va créer un modèle chacun lié à un sous-échantillon, puis on va faire voter ces modèles là (Aggregating)
        
        ensemble.RandomForestClassifier
        
        Ce sont des arbres de décisions avec choix des données aléatoire et choix des variables aléatoire
        
        ensemble.VotingClassifier
        
        On va faire voter chaque algo pour faire en sorte que chacun puisse s'exprimer, cela va nous permettre de récupérer le résultat des algorithmes pour prendre les votes majoritaires (hard-voting)
        Le soft voting consiste quant à lui à récupérer les probabilités au lieu des résultats finaux
      - Régression
        
        ensemble.baggingRegressor
        
        On va faire un ré-échantillonnage avec remise (Bootstrap) pour créer un nouveau dataset, sur la base duquel ou desquels on va créer un modèle chacun lié à un sous-échantillon, puis on va faire voter ces modèles là (Aggregating)
        
        ensemble.RandomForestRegressor
        
        Ce sont des arbres de décisions avec choix des données aléatoire et choix des variables aléatoire
        
        ensemble.VotingRegressor
        
        On va faire voter chaque algo pour faire en sorte que chacun puisse s'exprimer, cela va nous permettre de récupérer le résultat des algorithmes pour prendre les votes majoritaires (hard-voting)
        Le soft voting consiste quant à lui à récupérer les probabilités au lieu des résultats finaux