Machine Learning · KNN · 800 Pokémon · générations 1 à 6
Classification Pokémon avec scikit-learn
Prédisez le type primaire d'un Pokémon à partir de ses seules statistiques de combat. Un pipeline de classification supervisée complet, de l'exploration à l'évaluation, avec l'algorithme des K plus proches voisins.
PythonPandasNumPyMatplotlibSeabornscikit-learn
Gratuit · Sans compte·Intermédiaire·~1h
Ce que vous allez construire
- ✓Une expérience de classification complète pour prédire le type primaire d'un Pokémon à partir de ses statistiques
- ✓Une compréhension intuitive de KNN fondée sur la distance, la notion de voisinage et l'échelle des variables
- ✓Une évaluation qui ne s'arrête pas à un score global mais cherche à comprendre les erreurs entre les types
- ✓Une démonstration concrète de l'effet du nombre de classes et de leur séparabilité sur la difficulté du problème
Déroulé du lab
01
Explorer avant de prédire
Observer la répartition des types et vérifier si les statistiques font naturellement apparaître des groupes.
02
Formuler le problème
Distinguer les informations données au modèle de la catégorie qu'il doit apprendre à prédire.
03
Préparer une évaluation honnête
Séparer apprentissage et test tout en conservant la représentation de chaque type.
04
Comprendre la notion de voisin
Calculer une distance à la main pour saisir comment KNN transforme la similarité en prédiction.
05
Rendre les statistiques comparables
Comprendre pourquoi l'échelle des variables influence les distances et corriger ce biais.
06
Entraîner et prédire
Appliquer le raisonnement KNN aux données d'entraînement puis produire des prédictions inédites.
07
Interroger les performances
Analyser les confusions puis simplifier le problème pour tester le rôle du nombre et du profil des classes.
Résultats attendus
~24 %
18 types (tous)
~35 %
5 types les plus fréquents
~75 %
3 types contrastés (Rock / Flying / Water)
Compétences travaillées
- · Formulation d'un problème supervisé
- · Séparation apprentissage et évaluation
- · Raisonnement par distance et voisinage
- · Mise à l'échelle des variables
- · Lecture d'une matrice de confusion
- · Analyse de la séparabilité des classes
Prérequis
- · Bases Python (fonctions, listes)
- · Notions de Pandas (DataFrame)
- · Aucune expérience ML requise
- · Aucune installation : lab en ligne