0:00 bonjour et bienvenue dans cette
0:01 quinzième vidéo de la série python
0:02 spécial machine learning
0:04 c'est la vidéo 15 sur 30 ça veut dire
0:06 qu'on a fait ensemble
0:07 la moitié de cette formation alors pour
0:09 fêter ça je vous propose de voir dans
0:11 cette vidéo le top 5 des graphiques les
0:14 plus utiles avec matt pète libre pour
0:17 faire du mât chinois
0:18 vous êtes prêt c'est parti
0:24 alors en cinquième position on retrouve
0:27 le graphique de classification avec plt
0:30 scatter en machine learning pratiquement
0:32 la moitié des problèmes sur lesquels on
0:34 travaille sont des problèmes de
0:36 classification par exemple on désire
0:39 classe et un email en tant que spam ou
0:42 no spam
0:43 en fonction de plusieurs attributs que
0:45 cet e-mail va avoir comme le nombre de
0:47 fautes d'orthographe ou le nombre de
0:49 liens internet qu'ils y a dans cet email
0:52 typiquement dans ce problème on a deux
0:54 classes une classe spam et une classe no
0:57 spam
0:57 et pour représenter un tel dataset le
1:00 graphique plt scatter est un des
1:03 meilleurs choix que vous couriez faire
1:05 dans cette vidéo je vais vous montrer
1:07 comment faire intel graphique avec un
1:10 dat ass est très connu celui des fleurs
1:13 d'iris ce dataset contient 150 exemple
1:17 de fleurs d'iris répartis en trois
1:20 classes et on dispose de quatre
1:22 variables pour prédire à deux cas classe
1:24 il sèche les variables sont la longueur
1:26 et la largeur du pétale de la fleur et
1:29 la longueur et la largeur du ses pales
1:31 de la fleur
1:32 donc j'ai ici le code qui m'a permis de
1:34 charger ce dataset il nous vient du
1:37 package cei kittler knock on verra plus
1:39 tard dans cette série de vidéos
1:41 si vous voulez pas louper cette vidéo
1:42 est bien n'hésitez pas à vous abonner
1:44 en attendant cette future vidéo je vais
1:46 vous expliquer très rapidement comment
1:48 fonctionne ce petit code à l'intérieur
1:50 de sacs it l'orne
1:51 on a un ensemble de dataset on a le
1:53 dataset des fleurs d'iris à l'intérieur
1:55 de ce data 7
1:56 on a des données qui sont un petit peu
1:58 nos variable la longueur du pétale
2:00 longueur du cépage etc et on a une
2:03 target ça va être les différentes
2:04 classes la classe 0 1 ou 2 donc
2:08 j'enregistre ces deux tableaux dans un
2:10 tableau x et un tableau y ces deux
2:12 tableaux vont me servir lorsque je vais
2:14 créer mes graphiques avec plt scatter si
2:17 on voudrait on pourrait regarder x qui
2:19 ressemble donc à ça donc on a 150 lignes
2:21 et quatre colonnes et y quant à lui est
2:25 bien contient 250 exemple et se sont
2:28 tous soit des nombreux 0 1 ou 2 qui
2:31 représente
2:32 nos trois classes dans notre problème
2:34 donc comme je vous le disais un des
2:36 meilleurs choix que vous pourriez faire
2:37 quand vous voulez visualiser intel data
2:40 7 c'est d'utiliser plt scatter comment
2:42 ça fonctionne c'est très simple on écrit
2:44 pelleter scatter puis on va faire passer
2:47 en abscisses et en ordonnée deux parmi
2:50 les quatre variables que l'on a dans
2:52 notre problème
2:53 par exemple on pourra choisir de faire
2:54 passer la première variable ainsi que la
2:57 deuxième variable donc pour ça à chaque
2:59 fois je prends toutes les lignes c'est à
3:01 dire les 150 lignes et ensuite je
3:03 choisis un index
3:04 parmi les quatre que j'ai à disposition
3:06 à ce stade à si on se contente
3:08 d'exécuter notre code on obtient le
3:10 nuage de points suivants mais ce qui est
3:12 très intéressant de faire c'est de
3:14 colorier ces points-là suivant la nature
3:17 de leur classe et pour ça tout ce qu'on
3:19 a à faire c'est d'écrire sait qui est le
3:22 paramètre qui définit la couleur est
3:24 égal à y est y
3:26 ce sont ces nombreux là qui sont soit
3:28 égal à 0 1 ou 2 donc on va avoir trois
3:32 couleurs différentes et la boum on peut
3:35 voir nos différentes classes réparties
3:37 selon deux de nos variable la variable x
3:40 0 est la variable x1 ces deux variables
3:43 en l'occurrence c'est la longueur du ses
3:44 pales et la largeur du ses pales de la
3:46 fleur donc je rajoute ces deux variables
3:49 sur mes axes comme ce que je vous ai
3:50 montré dans la dernière vidéo est là on
3:52 a déjà un graphique super intéressant
3:55 qui peut nous apprendre beaucoup de
3:56 choses sur le problème que l'on a à
3:59 résoudre
4:00 bien sûr une des limites de ce graphique
4:02 c'est que l'on peut uniquement
4:03 représenté deux des variables sur les
4:07 quatre dont on dispose
4:08 cependant je vais vous montrer une
4:09 technique à à la fin de cette vidéo pour
4:12 pouvoir représenter sur une seule et
4:14 même figurent toutes les variables que
4:17 l'on a dans notre problème de machine
4:19 learning donc rester bien jusqu'à la fin
4:21 de cette vidéo parce que cette technique
4:22 est super utile croyez moi pour finir
4:25 avec le graphique plt scatter et je vais
4:28 vous livrer deux astuces personnel la
4:31 première c'est d'utiliser un paramètre
4:32 qui
4:33 alpha et qui nous permet de contrôler la
4:36 transparence de chacun des points de
4:38 notre graphe pour finir une toute
4:40 dernière astuce sur les graphes pelleter
4:42 scatter c'est d'utiliser un dernier
4:44 paramètre est ce qui nous permet de
4:46 contrôler la taille de nos points par
4:48 exemple on peut écrire
4:49 st gall sans erreur nos points sont un
4:52 peu plus gros que ce qu'ils étaient
4:53 avant
4:53 mais ce qui est vraiment intéressant
4:55 c'est de contrôler la taille en fonction
4:58 d'une des variables de notre problème
5:00 donc on peut par exemple prendre la
5:02 variable 3 est donc là dans notre
5:04 dataset les points n'ont pas tous la
5:07 même bataille plus ils sont gros plus le
5:10 pétale est long et plus ils sont petits
5:13 plus le pétale est petit
5:17 [Musique]
5:19 en quatrième position de notre
5:21 classement on retrouve le graphique 3d
5:24 ce type de graphique nous vient de mpl
5:28 tout le kit ce qui est un des seul
5:30 package demat'box libre donc vous
5:32 l'aurez compris avec ça on peut faire
5:34 des graphiques en trois dimensions ce
5:36 qui peut être super utile quand on
5:38 désire de visualiser plus de variables
5:40 d'un seul coup sûr un seul et même
5:42 graphique pour faire ce genre de choses
5:43 il faut commencer par charge et les
5:46 graphiques 3d qu'on a dans mpl toolkit
5:48 donc en général on écrit from mpl tout
5:52 le kit ce point m pilote 3d importe
5:55 accises 3d une fois qu'on a chargé ce
5:58 module il va falloir créer un objet axe
6:01 avec la fonction accises que l'on a dans
6:04 plt et cet axe on va le faire en 3d en
6:06 écrivant projection égale 3d donc en
6:09 écrivant cette ligne ont créé en réalité
6:11 un objet axe sur lequel on va pouvoir
6:14 travailler
6:15 donc ce que je veux vous dire c'est
6:17 qu'en fait lorsqu'on crée des graphiques
6:18 3d avec matt plus libre on est obligé
6:21 d'utiliser la programmation orientée
6:23 objet
6:24 cependant vous en faites pas c'est
6:26 vraiment pas compliqué tout ce qu'on a à
6:27 faire c'est écrire axe point scatter et
6:30 à l'intérieur de ce capteur on va au
6:32 lieu d'écrire deux variables donc x 0 x1
6:36 on va en écrire trois par exemple on va
6:38 écrire x 0 x1 et virgule x2 comme ça on
6:44 aura trois variables et là si on
6:46 n'affiche tout ça est bien comme avant
6:48 on obtient juste un nuage de points
6:50 bleus donc ce qu'on peut faire c'est
6:52 faire c'est égal y ait là on obtient un
6:55 nuage de points avec plusieurs couleurs
6:57 et ce graphique vous pouvez le
6:59 visualiser en 3d en vous baladant à
7:01 l'intérieur en zoom ans ou en deux ou
7:03 man si vous exécutez ce qu au delà dans
7:06 spider ou bien pas de charme
7:07 mais vous pouvez également le voir dans
7:09 jupiter si vous commencez votre code en
7:12 écrivant pourcentage matt vote libre ce
7:14 que j'aime également faire avec des
7:16 graphiques 3d c'est visualiser des
7:19 surfaces et des fonctions mathématiques
7:20 que l'on aurait modélisés
7:23 c'est super pratique par exemple
7:24 imaginons qu'on crée une fonction f2 xy
7:27 qui est égal à 6 2 x + caussinus 2x plus
7:31 inc
7:32 cette fonction on la crée avec lambda
7:34 qui notre générateur de fonction anonyme
7:36 dans python on l'a vu dans la toute
7:38 première vidéo de cette série donc allé
7:40 la voir si vous savez pas ce que c'est
7:41 lambda et après si on veut observer f2
7:44 xy en fonction de x et de y
7:46 dans un graphique 3d comme cela est bien
7:49 ce qui va d'abord falloir faire c'est
7:50 créer deux vecteurs d'une pie x et y par
7:54 exemple allant de zéro jusqu'à 5 pour
7:56 les deux et ensuite on va devoir créer
7:58 une sorte de grille en utilisant une des
8:00 fonctions du bail que j'avais pas
8:02 présenter parce que c'était pas
8:03 nécessaire dans les vidéos d'une paille
8:05 cette fonction c'est la fonction lp mais
8:08 grid qui nous permet de créer une grille
8:10 à partir de deux axes x et y doc ce
8:13 qu'on va faire c'est créer une grande
8:15 variable x qui est égal à np points
8:18 line space 2 0 jusqu'à 5 et disons qu'on
8:21 va faire 100 points puis on va faire la
8:24 même chose pour y ait ensuite qu'on va
8:25 faire ce qu on va recréer x/y en disant
8:28 qu'ils sont égales amp point mèche que
8:31 reed 2x virgules y
8:34 une fois qu'on a fait ça on peut
8:36 injecter nos variable x et y
8:39 à l'intérieur de notre fonction f et on
8:42 va dire que ça c'est un résultat z qui
8:45 est donc égale à f2 x virgule y
8:47 maintenant qu'on a à z et bien raide on
8:50 peut on vérifier par exemple les
8:51 dimensions donc on a 200 lignes sans
8:53 colonne ce qui va donc nous permettre de
8:55 tracer quelque chose sur tout cet espace
8:58 est pour visualiser tout ça comme avant
9:00 on va commencer par créer un objet axe
9:03 en projection 3d puis on va faire axe
9:06 point pelote surface et à l'inter de ça
9:10 on va faire passer une variable x une
9:12 variable y on va faire passer notre
9:15 variable z et ensuite on peut choisir
9:17 éventuellement une couleur pour notre
9:19 surface et ça ça nous donne comme
9:21 résultat est bien la courbe qu'on a vu
9:24 juste avant
9:29 maintenant en troisième position de
9:31 notre classement on retrouve
9:33 l'histogramme ce graphique est juste
9:36 indispensables à connaître en machine
9:39 learning et en data signs il nous permet
9:41 de voir la distribution des données avec
9:43 lesquels on travaille et c'est important
9:45 de comprendre si nous donner suivent une
9:47 distribution normale ou non ou bien
9:49 c'est la distribution est symétrique ou
9:51 asymétriques ou bien de visualiser où se
9:54 situe la moyenne etc etc
9:56 ça c'est très important en machine
9:58 learning par exemple pour reprendre
10:00 notre data 7 avec les fleurs d'iris et
10:02 bien on peut décider de visualiser
10:04 comment sont distribuées
10:06 nos quatre variables donc pour ça on va
10:09 faire passer dans la fonction liste de
10:11 maths clottes libre une des quatre
10:13 variables que l'on a et ceci nous donne
10:15 la distribution pour la variable 02
10:19 toutes nos fleurs d'iris
10:20 alors si vous êtes un petit peu perdues
10:21 je vous explique ce que ça représente
10:23 vraiment sur l'axé des abscisses on a là
10:26 toutes les valeurs que peuvent prendre
10:28 la longueur d'un cepal dans notre flore
10:31 d'iris donc le cépage le plus petit
10:33 qu'on a dans d'autres dates à sète il
10:34 fait environ 4,5 cm est le cépage le
10:37 plus long il fait environ 8 cm ensuite
10:40 ce qu'on a sur l'axé des ordonnées
10:42 ce tout simplement le nombre
10:44 d'apparitions pour chacune de ces
10:46 catégories
10:47 quand par exemple dans notre data 7 il
10:48 ya environ 25 fois un ses pales qui est
10:51 aux alentours de 5,5 cm maintenant à
10:54 l'intérieur de cette fonction
10:56 histogramme et bien on peut choisir de
10:59 modifier un paramètre qui s'appelle
11:00 beans et qui détermine le nombre de
11:03 sections que l'on désire avoir dans
11:05 notre histogramme donc par défaut il
11:06 semble qu'on en a dix et on peut très
11:08 bien choisir d'en avoir 30 par exemple
11:10 donc là on aura un histogramme beaucoup
11:12 plus détaillé et si l inverse on crée un
11:14 histogramme qui contient une seule ça
11:16 une seule colonne bien sûr ça n'a aucun
11:18 intérêt mais c'est juste pour vous
11:19 montrer que et bien le nombre totale
11:21 d'éléments qui tombe dans une seule
11:23 colonne une seule catégorie à berne ses
11:25 250
11:26 tout simplement parce qu'on aura 150
11:28 exemple dans notre dataset de fleurs
11:30 d'iris maintenant sur une seule et même
11:32 figure on peut créer deux histogramme en
11:34 même temps par exemple un histogramme
11:36 pour notre valeur zéro notre variable 0
11:39 et un histogramme pour notre varia
11:41 le 1 mai le graphique avec les
11:43 histogrammes dans ma culotte slip ça ne
11:45 s'arrête pas là parce qu'on peut
11:46 également tracé des histogrammes en 2d
11:49 pour visualiser la distribution des taux
11:51 dès lors ce qu'elles suivent deux
11:53 variables et ça c'est super intéressant
11:55 pour ça c'est très simple il suffit
11:57 d'utiliser pelleter point kyste et là on
12:00 voit qu'on a un liste 2d qui apparaît
12:02 donc à l'intérieur de satisloh g là on
12:04 va tout simplement faire passer deux
12:06 variables par exemple notre variable x 0
12:09 ainsi que notre variable x1 alors afin
12:12 de bien comprendre à quoi correspond
12:13 cette histogramme on n'oublie pas de
12:15 rajouter des titres sur nos différents
12:17 axes et ça nous donne alors
12:19 l'histogramme suivant que si l'on veut
12:21 bien comprendre on va aussi rajouter ce
12:23 qu'on appelle une colo rebar c'est à
12:25 dire une sorte de légende qui nous
12:27 indique à quoi correspondent les
12:29 différentes couleurs sur nos tristes g
12:30 les couleurs jaune nous montre les
12:32 fréquence d'apparition les plus élevées
12:34 tout qu'on voit qu'on obtient environ 10
12:36 fleurs iris qui ont une longueur de ses
12:39 pales qui sont aux alentours des 6 25 m
12:41 et une largeur de ses pales qui est aux
12:44 alentours des 3 donc là on va vraiment
12:45 trouver la majorité de fleurs d'iris
12:48 dans cette catégorie est l inverse
12:50 une combinaison qui n'apparaît presque
12:52 jamais sarah par exemple être et bien ce
12:55 carré tout là-haut dans lequel on a une
12:57 longueur de ses pales de 5,5 cm avec et
13:00 bien une largeur qui est aux alentours
13:02 des 4 et demi et bien sûr pour les
13:05 rendre un peu plus attirants tous ces
13:06 graphiques et bien on peut leur ajouter
13:08 une couleur comme ce que j'avais fait
13:10 avant
13:10 et puis voilà ça nous donne d'autres
13:12 couleurs en clair pour finir sur les
13:14 histogrammes il ya une dernière utilité
13:16 super intéressante c'est lorsqu'on les
13:18 utilise pour faire l'analyse d'une image
13:22 typiquement quand on veut faire
13:23 l'analyse d'une image en noir et blanc
13:25 on peut créer un histogramme dans lequel
13:28 beans est égal à 255 pourquoi 255 et
13:33 bien c'est parce que une image ça
13:34 comprend en général
13:36 255 valeur de pixels 0 représentant le
13:39 noir et 255 représentant le blanc donc
13:43 ici notre image on l'a importée depuis
13:45 syfy on l'a enregistré dans un tableau
13:48 numérique qui s'appelle faith et ce
13:50 tableau si on l'appela ti avec la
13:52 fonction révèle qu'on avait vu qui est
13:54 très importante dans le module une
13:56 paille eh bien on peut ainsi en faire
13:58 l'analyse
13:59 en observant et bien la fréquence
14:01 d'apparition des différentes couleurs de
14:03 pixels donc on voit qu'il ya une
14:04 majorité de pixels qui sont entre 100 et
14:06 150
14:07 on a très peu de pixels qui sont très
14:09 claires et on a quand même pas mal de
14:11 pixels qui sont dans les noirs
14:15 [Musique]
14:17 allez on enchaîne maintenant avec les
14:19 graphiques contours pelote qui occupe la
14:22 deuxième place de notre top 5
14:24 ces graphiques sont super utile quand
14:26 vous voulez visualiser un modèle qui
14:28 occupe trois dimensions en vue du dessus
14:30 typiquement en intelligence artificielle
14:32 on cherche souvent à résoudre des
14:34 problèmes d'optimisation comme par
14:36 exemple trouver le minimum d'une
14:38 fonction coup ou bien maximiser des
14:40 revenus etc
14:41 et c est bien ce type de graphique peut
14:44 jouer un rôle majeur dans votre
14:46 compréhension du problème d'optimisation
14:48 sur lequel vous travaillez typiquement
14:50 tout à l'heure on a créé une fonction f
14:52 qui est égal à 6 12 2 x + caussinus 2x
14:55 plus y est on l'avait visualiser en 3d
14:57 et bien si on veut avec contour pelote
15:01 on peut la visualiser en vue du dessus
15:03 pour ça c'est très simple tout ce qu'on
15:05 a à faire c'est utiliser plt point
15:07 contours et là on va faire passer x
15:10 virgule y virgule 7 et ça s'arrête là
15:12 ce que ça nous donne comme résultat
15:14 c'est notre contours pelote en vue du
15:16 dessus
15:17 alors si on veut le rendre un petit peu
15:19 plus lisible ce graphique on peut en
15:20 modifier le nombre de niveaux par
15:23 exemple on peut créer 20 niveaux donc ça
15:25 va augmenter la précision d'affichage
15:27 qu'on a sur notre graphique et pour le
15:29 rendre encore plus lisible on peut aussi
15:31 jouer avec les couleurs en écrivant
15:33 colors et là on a beaucoup de couleurs à
15:35 disposition par exemple on peut tout
15:37 simplement créé ce graphique en noir et
15:39 blanc
15:39 et là tout ce qui va être positif ça va
15:42 s'afficher en continu et tout ce qui est
15:44 négatif c'est sa fiche est bien en petit
15:46 irait donc typiquement si vous
15:48 travaillez en économie en ingénierie en
15:51 logistique ou en fait quel que soit le
15:53 secteur dans lequel vous travaillez
15:54 si vous avez une fonction un peu plus
15:56 complexe à optimiser et bien les
16:00 contours pelote ça peut vraiment vous
16:01 aider à y voir clair dans un champ de
16:04 possibilités comme celui ci donc par
16:06 exemple on voudra atteindre le maximum
16:08 de notre fonction en visant ce point là
16:11 ou bien on pourra atteindre le minimum
16:12 deux d'un coup en visant ce point là etc
16:16 etc
16:16 maintenant petite astuce pour les
16:18 contours pelote il existe une autre
16:19 fonction qui est la fonction contours f
16:22 dans laquelle on va également faire
16:24 passer x y et z et cette fois ci on va
16:26 faire passer une colonne
16:28 et là ça nous donne une graphique un
16:30 petit peu plus sympa qu'on va détailler
16:32 un petit peu plus on en écrivant 20 et
16:34 si on veut on peut rajouter une sorte de
16:36 légende
16:37 encore une fois en écrivant pl t.co leur
16:40 bar et avec ça on peut comprendre
16:42 quelles sont les valeurs de nos
16:43 différents gradient sur d'autres
16:46 contours pelote très très utile
16:50 [Musique]
16:52 hymne à chaud c'est sans conteste le
16:55 graphique à la tête de ce classement
16:57 parce qu'on peut juste faire des choses
16:59 incroyables avec alors bien sûr la toute
17:02 première utilité c'est de visualiser une
17:04 image comme l'image fait ce que l'on
17:07 avait chargé auparavant mais en fait
17:09 l'utilisation de im chaud ça va beaucoup
17:12 plus loin que simplement afficher des
17:15 images
17:15 rappelez vous d'une chose fays c'est un
17:18 tableau d'une paille qui contient les
17:19 différents pixels de notre image dr fait
17:22 la fonction i m so elle nous permet
17:25 d'afficher n'importe quel tableau nîmes
17:28 paille et c'est là l'intérêt absolument
17:30 génial qu'on a à utiliser im chaud on va
17:33 pouvoir afficher n'importe quel matrix
17:35 par exemple on va pouvoir tracer des
17:38 matrices de corrélation on pourra
17:40 analyser un problème d'optimisation en
17:42 mettant tous les chemins possibles dans
17:44 une matrice on va pouvoir visualiser un
17:46 masque avant de s'en servir dans du
17:48 boulet à nina xing bref on peut faire
17:50 énormément de choses avec im chaud par
17:53 exemple avec im chaud on peut tracer la
17:55 matrice de corrélation pour notre data 7
17:58 des fleurs d'iris danse dataset rappelez
18:00 vous on a quatre variables et 150
18:02 exemple donc pour tracer intergraphic
18:04 refaire passer à l'intérieur de im chaud
18:07 la fonction np corps coeff qui nous
18:10 retourne une matrice de corrélation pour
18:12 notre tableau x rappelez vous c'est une
18:15 des fonctions qu'on a vu dans la vidéo
18:16 12 sur 32 cette série à l'inter de ça on
18:19 va faire passer la transposer 2 x parce
18:21 que nous ce qui nous intéresse c'est la
18:23 corrélation entre les colonnes et pas
18:25 les lignes et ça nous produit la matrice
18:28 de corrélation qui nous permet de voir
18:29 où se situent les différentes
18:31 corrélation dans notre data 7
18:33 maintenant quand on travaille avec des
18:34 dates sas est beaucoup plus larges comme
18:36 par exemple le data 7 sur les données du
18:39 cancer du sein et qu'on a beaucoup plus
18:41 de variables
18:41 ici en l'occurrence on a 30 variable et
18:44 bien ce genre de graphiques et super
18:46 informatif pour comprendre quels sont
18:48 les variables qui ont des fortes
18:49 corrélations les unes avec les autres
18:51 voilà on pourrait encore parler très
18:54 longtemps deuxième show mais pour
18:56 terminer cette vidéo on va simplement
18:57 parlé des problèmes d'optimisation dans
18:59 lesquels avons utilisé
19:01 tours pelote et bien cette fois ci tout
19:03 ce qu'on a à faire c'est de passer le
19:05 tableau z qui est donc un tableau de
19:07 dimensions sans ligne par sans colonne à
19:09 l'intérieur de im chaud et donc on a la
19:11 matrice z deux dimensions sans ligne et
19:14 sans colonne qui nous est représenté
19:16 avec im chaud ok voici maintenant la
19:19 réponse à l'exercice de la vidéo 14 sur
19:22 30 dans laquelle je vous avais demandé
19:23 de créer une fonction graphique qui va
19:27 nous permettre d'afficher sur une seule
19:29 et même figurent tous les résultats de
19:31 différentes expériences qui serait
19:33 enregistrée dans un dictionnaire qui si
19:36 on appelait dataset pour créer une telle
19:38 fonction on va devoir utiliser dans une
19:41 boucle fort la fonction pelleter seul
19:44 pilote qui nous permet à chaque fois de
19:46 créer un mini graphique sur une grande
19:48 figure donc ce qu'on voudra faire déjà
19:49 c'est à voir autant de sauts pilotes que
19:52 l'on a d'expérience dans notre
19:54 dictionnaire c'est à dire qu'on voudra
19:56 mesurer la longueur de notre
19:58 dictionnaire donc le dictionnaire
20:00 d'attin ensuite ce qu'on va faire c'est
20:03 qu'on va commencer par créer une figure
20:04 donc on va créer une figure on va la
20:06 faire d'une certaine taille est
20:07 maintenant dans cette figure on va créer
20:09 différentes se pilote grâce à une boucle
20:12 fort donc si on procède étape par étape
20:15 ce qu'on va faire c'est qu'on va vouloir
20:16 créer les seuls pilotes
20:18 il y aura n ce pilote peut être qu'on va
20:21 les faire sur aisne ligne puisque nc ma
20:23 longueur de monde est assez et on va les
20:25 faire sur une seule et même colonne et
20:27 ensuite on voudra traiter chaque splot
20:30 tour par tour donc c'est l'entente qu'on
20:33 va mettre l'élément de notre boucle fort
20:35 par exemple éléments et donc aux
20:37 affaires for i in french jusqu'à le
20:40 nombreux haine qu'on a dans notre data 7
20:43 mais réfléchissons un petit peu sur une
20:45 autre boucle fort en fait dans cette
20:47 boucle fort on veut à la fois le nombre
20:50 d'expériences mais on veut aussi avoir
20:51 le contenu de notre dictionnaire et pour
20:55 ça ce qu'on va faire c'est qu'on va
20:57 utiliser la fonction zee
20:59 qui rappelez-vous nous permet de
21:01 procéder allitérations de deux
21:04 structures de données en parallèle l'une
21:07 de l'autre
21:08 donc ce qu'on va faire c'est qu'on va
21:11 faire fort qu'à virgule in zip et on va
21:16 faire passer notre dictionnaire donc
21:17 data point qu'ils ce qui va me permettre
21:20 dit terré à travers les différentes clés
21:23 de mon dictionnaire donc donc ça ça va
21:25 nous donner qu'à et ensuite pour obtenir
21:27 y est bien tout ce qu'on va faire ce
21:29 qu'on va faire
21:29 orange et on va aller de 1 à n + 1
21:34 parce que si vous réfléchissez bien et
21:36 que vous écrivez simplement for french n
21:39 est bien matt potes il va vous dire que
21:40 la position zéro ça n'existe pas du coup
21:43 il va vous retourner une erreur vous
21:44 faites bien attention à ça ce qu'on va
21:46 faire c'est de 1 jusqu'à n plus tôt que
21:49 cette boucle fort elle est prête donc sa
21:51 pelletée on va le mettre à l'intérieur
21:53 et dans pld pelote ce qu'on va faire
21:56 c'est qu'on va retirer les données qui
21:59 se situe à la clé cas c'est à dire la
22:02 clé qu'on est en train d'avoir dans
22:04 cette boucle fort donc ça ça va nous
22:07 afficher nos données et en sus ce qu'on
22:08 pourrait faire c'est rajouter 20 titres
22:10 à ce graphique et pour ça eh bien on va
22:12 utiliser la clé on va utiliser comme
22:16 titre expérience 0 puis expérience un
22:18 puits expérience de etc etc alors
22:20 ensuite on pourrait rajouter des
22:22 abscisses des légendes etc
22:23 mais bon vous avez compris l'exercice il
22:26 s'arrête là on termine en écrivant
22:28 pelleter points chauds et le résultat de
22:31 ce code
22:32 ça nous donne donc une figure sur
22:33 laquelle on a nos différentes
22:34 expériences qui sont affichées et je
22:37 vais vous dire un truc ce code il est
22:38 extrêmement utile
22:39 retenez le bien vous pourrez l'utiliser
22:41 tout plein de fois dans votre carrière
22:43 de datacenter est parce qu il est super
22:45 flexible si maintenant on passe à six
22:47 expériences et bien on va avoir
22:49 siggraph qui vont être affichés et si
22:52 les graphiques commence à être un petit
22:53 peu petit bain on augmente la taille de
22:54 notre figure par exemple on l'a fait
22:56 passer à 12 30
22:57 et donc voilà on a nos différents
23:00 graphiques qui affiche nos différentes
23:02 expériences et là où c'est encore mieux
23:04 c'est que maintenant si dans chaque date
23:06 à 7 je collecte en réalité plusieurs
23:08 variables disons trois variables
23:10 différentes
23:10 eh bien j'ai ces trois signaux qui
23:12 seront affichées sur chacune de mes
23:14 expériences et c'est là que ce code
23:17 commence vraiment être très puissant et
23:19 très intéressant d'ailleurs l'exercice
23:21 pour cette vidéo ça serait d'utiliser ce
23:23 code de le transformer un tout petit peu
23:25 afin d'afficher sur une seule et même
23:27 figurent les différentes variables que
23:30 l'on a pour notre dataset de l'iris
23:33 voilà vous avez ici la petite technique
23:35 secrète que j'avais mentionné au début
23:37 de la vidéo
23:37 donc je vous souhaite bon courage pour
23:39 cet exercice et comme d'habitude je vous
23:41 donnerai la réponse dans la vidéo
23:42 suivante
23:42 voilà c'est la fin de ce classement des
23:45 5 graphiques les plus utiles avec
23:48 makhlouf libre pour faire du machine
23:49 learning est ce que vous êtes d'accord
23:51 avec ce classement où est ce qu'à votre
23:52 avis est bien incertain graphique mérite
23:55 une autre place dans ce classement
23:57 n'hésitez pas à me le faire savoir dans
23:58 les commentaires parce que je suis très
24:00 curieux de savoir ce que vous pensez à
24:01 ce sujet autre chose si vous avez bien
24:04 aimé ce format de vidéo dans lequel je
24:05 fais un top 5 ou un top 10 pensez à me
24:08 le dire également dans les commentaires
24:09 comme ça j'essaie de faire plus souvent
24:11 ce genre de vidéos enfin comme
24:13 d'habitude si vous avez aimé cette vidéo
24:14 merci de licques et la partager avec un
24:16 ami si ce n'est pas déjà fait penser à
24:18 vous abonner
24:19 je vous dis à très vite pour la
24:20 prochaine manche
24:22 [Musique]
Chrome Extension