YouTube Transcript:
MATPLOTLIB - Graphiques Importants (15/30)

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