version finale remise

Code/README.txt

@@ -2,15 +2,21 @@ Tâches effectuées entièrement par François Pelletier 908144032
 
 .
 ├── BayesNaif.py (Classe pour le modèle Bayes Naif)
-├── classifieur.py (Classe exemple)
+├── DecisionTree.py (Classe pour le modèle DecisionTree)
 ├── datasets (Jeux de données)
-├── entrainer_tester.py (Code pour exécuter tous les modèles, créé depuis Rapport-Partiel.ipynb avec export_notebook_script.sh)
+├── entrainer_tester.py (Code pour exécuter les modèles BayesNaif et Knn, créé depuis Rapport-Partiel.ipynb avec export_notebook_script.sh)
 ├── export_notebook_script.sh (Script pour créer entrainer_tester.py depuis Rapport-Partiel.ipynb)
 ├── Knn.py (Classe pour le modèle KNN)
 ├── load_datasets.py (Classe pour charger les données)
+├── main.py (Code pour exécuter DecisionTree et NeuralNet, créé depuis Rapport-Final.ipynb avec export_notebook_script.sh)
 ├── metrics.py (Fonctions pour le calcul des métriques)
-├── Rapport-Partiel.ipynb (Code source du rapport)
-├── Rapport-Partiel.pdf (Version PDF du rapport)
+├── NeuralNet.py (Classe pour le modèle NeuralNet)
+├── NeuralNetUtils.py (Fonctions utiles pour le modèle NeuralNet)
+├── NeuralNode.py (Classe pour les noeuds du modèle NeuralNet)
+├── Rapport-Final.ipynb (Code source du rapport final)
+├── Rapport-Final.pdf (Version PDF du rapport final)
+├── Rapport-Partiel.ipynb (Code source du rapport partiel)
+├── Rapport-Partiel.pdf (Version PDF du rapport partiel)
 └── README.txt (Ce fichier-ci)
 
 Discussion, enjeux et difficultés:  voir rapport PDF

Code/classifieur.py

@@ -1,90 +0,0 @@
-"""
-Vous allez definir une classe pour chaque algorithme que vous allez développer,
-votre classe doit contenit au moins les 3 methodes definies ici bas, 
-	* train 	: pour entrainer le modèle sur l'ensemble d'entrainement
-	* predict 	: pour prédire la classe d'un exemple donné
-	* test 		: pour tester sur l'ensemble de test
-vous pouvez rajouter d'autres méthodes qui peuvent vous etre utiles, mais moi
-je vais avoir besoin de tester les méthodes test, predict et test de votre code.
-"""
-
-import numpy as np
-
-
-# le nom de votre classe
-# BayesNaif pour le modèle bayesien naif
-# Knn pour le modèle des k plus proches voisins
-
-class Classifier: #nom de la class à changer
-
-	def __init__(self, **kwargs):
-		"""
-		c'est un Initializer. 
-		Vous pouvez passer d'autre paramètres au besoin,
-		c'est à vous d'utiliser vos propres notations
-		"""
-		
-		
-	def train(self, train, train_labels): #vous pouvez rajouter d'autres attribus au besoin
-		"""
-		c'est la méthode qui va entrainer votre modèle,
-		train est une matrice de type Numpy et de taille nxm, avec 
-		n : le nombre d'exemple d'entrainement dans le dataset
-		m : le mobre d'attribus (le nombre de caractéristiques)
-		
-		train_labels : est une matrice numpy de taille nx1
-		
-		vous pouvez rajouter d'autres arguments, il suffit juste de
-		les expliquer en commentaire
-		
-		
-		
-		------------
-		Après avoir fait l'entrainement, faites maintenant le test sur 
-		les données d'entrainement
-		IMPORTANT : 
-		Vous devez afficher ici avec la commande print() de python,
-		- la matrice de confision (confusion matrix)
-		- l'accuracy
-		- la précision (precision)
-		- le rappel (recall)
-		
-		Bien entendu ces tests doivent etre faits sur les données d'entrainement
-		nous allons faire d'autres tests sur les données de test dans la méthode test()
-		"""
-
-	def predict(self, exemple, label):
-		"""
-		Prédire la classe d'un exemple donné en entrée
-		exemple est de taille 1xm
-		
-		si la valeur retournée est la meme que la veleur dans label
-		alors l'exemple est bien classifié, si non c'est une missclassification
-
-		"""
-
-	def test(self, test, test_labels):
-		"""
-		c'est la méthode qui va tester votre modèle sur les données de test
-		l'argument test est une matrice de type Numpy et de taille nxm, avec 
-		n : le nombre d'exemple de test dans le dataset
-		m : le mobre d'attribus (le nombre de caractéristiques)
-		
-		test_labels : est une matrice numpy de taille nx1
-		
-		vous pouvez rajouter d'autres arguments, il suffit juste de
-		les expliquer en commentaire
-		
-		Faites le test sur les données de test, et afficher :
-		- la matrice de confision (confusion matrix)
-		- l'accuracy
-		- la précision (precision)
-		- le rappel (recall)
-		
-		Bien entendu ces tests doivent etre faits sur les données de test seulement
-		
-		"""
-	
-	
-	# Vous pouvez rajouter d'autres méthodes et fonctions,
-	# il suffit juste de les commenter.

Code/export_notebook_script.sh

@@ -1,2 +1,3 @@
 #!/bin/bash
 jupyter nbconvert --to script --output entrainer_tester Rapport-Partiel.ipynb
+jupyter nbconvert --to script --output main Rapport-Final.ipynb