Apprentissage automatique - Nuage de points
Nuage de points
Un nuage de points est un diagramme dans lequel chaque valeur de l'ensemble de données est représentée par un point.
Le module Matplotlib a une méthode pour dessiner des nuages de points, il a besoin de deux tableaux de même longueur, un pour les valeurs de l'axe des x et un pour les valeurs de l'axe des y :
x = [5,7,8,7,2,17,2,9,4,11,12,9,6]
y = [99,86,87,88,111,86,103,87,94,78,77,85,86]
Le xtableau représente l'âge de chaque voiture.
Le ytableau représente la vitesse de chaque voiture.
Exemple
Utilisez la scatter()méthode pour dessiner un diagramme de nuage de points :
import matplotlib.pyplot as plt
x =
[5,7,8,7,2,17,2,9,4,11,12,9,6]
y =
[99,86,87,88,111,86,103,87,94,78,77,85,86]
plt.scatter(x, y)
plt.show()
Résultat:
Nuage de points expliqué
L'axe des x représente les âges et l'axe des y représente les vitesses.
Ce que nous pouvons lire sur le diagramme, c'est que les deux voitures les plus rapides avaient toutes deux 2 ans et que la voiture la plus lente avait 12 ans.
Remarque : Il semble que plus la voiture est récente, plus elle roule vite, mais cela pourrait être une coïncidence, après tout, nous n'avons enregistré que 13 voitures.
Distributions de données aléatoires
Dans Machine Learning, les ensembles de données peuvent contenir des milliers, voire des millions, de valeurs.
Vous ne disposez peut-être pas de données réelles lorsque vous testez un algorithme, vous devrez peut-être utiliser des valeurs générées de manière aléatoire.
Comme nous l'avons appris dans le chapitre précédent, le module NumPy peut nous y aider !
Créons deux tableaux qui sont tous deux remplis de 1000 nombres aléatoires à partir d'une distribution de données normale.
Le premier tableau aura la moyenne fixée à 5,0 avec un écart type de 1,0.
Le deuxième tableau aura la moyenne définie sur 10,0 avec un écart type de 2,0 :
Exemple
Un nuage de points avec 1000 points :
import numpy
import matplotlib.pyplot as plt
x = numpy.random.normal(5.0,
1.0, 1000)
y = numpy.random.normal(10.0, 2.0, 1000)
plt.scatter(x, y)
plt.show()
Résultat:
Nuage de points expliqué
Nous pouvons voir que les points sont concentrés autour de la valeur 5 sur l'axe des x et 10 sur l'axe des y.
Nous pouvons également voir que la propagation est plus large sur l'axe des ordonnées que sur l'axe des abscisses.