Plus proches voisins

Links: notebook, html, PDF, python, slides, GitHub

On cherche à prédire la note d’un vin avec un modèle des plus proches voisins.

%matplotlib inline

from papierstat.datasets import load_wines_dataset
df = load_wines_dataset()
df.head()

	fixed_acidity	volatile_acidity	citric_acid	residual_sugar	chlorides	free_sulfur_dioxide	total_sulfur_dioxide	density	pH	sulphates	alcohol	quality	color
0	7.4	0.70	0.00	1.9	0.076	11.0	34.0	0.9978	3.51	0.56	9.4	5	red
1	7.8	0.88	0.00	2.6	0.098	25.0	67.0	0.9968	3.20	0.68	9.8	5	red
2	7.8	0.76	0.04	2.3	0.092	15.0	54.0	0.9970	3.26	0.65	9.8	5	red
3	11.2	0.28	0.56	1.9	0.075	17.0	60.0	0.9980	3.16	0.58	9.8	6	red
4	7.4	0.70	0.00	1.9	0.076	11.0	34.0	0.9978	3.51	0.56	9.4	5	red

Les premières colonnes contiennent les composants du vins ou plutôt les résultats de mesures chimiques. Cela exclut la qualité et la couleur qui n’est pas une information numérique. On les appelle les variables ou features. C’est ce qui est connu au moment de faire une prédiction.

X = df.drop(['quality', 'color'], axis=1)

La colonne qualité est ce qu’on cherche à prédire.

y = df['quality']

On cale un modèle des plus proches voisins. Celui mémorise simplement tous les exemples. Le paramètre n_neighbors précise le nombre de voisins qui prennent pas à la prédiction. Dans notre cas, c’est juste 1.

from sklearn.neighbors import KNeighborsRegressor
knn = KNeighborsRegressor(n_neighbors=1)
knn.fit(X, y)

KNeighborsRegressor(algorithm='auto', leaf_size=30, metric='minkowski',
          metric_params=None, n_jobs=1, n_neighbors=1, p=2,
          weights='uniform')

On regarde la prédiction pour un vin quelconque tiré de la base.

import random
i = random.randint(0, df.shape[0]-1)
vin = X.iloc[i:i+1,:]
knn.predict(vin)

array([5.])

On la compare à la note enregistrée dans la base.

y[i]

5

Tout se passe bien.