Classificateur de Fleurs d'Iris

Code Python Utilisé

Voici le script Python complet qui a été utilisé pour analyser les données, entraîner le modèle et l'exporter. Les commentaires ont été ajoutés pour expliquer chaque étape à des non-initiés.

# ==============================================================================
# SCRIPT POUR CRÉER UN MODÈLE DE CLASSIFICATION DE FLEURS D'IRIS
# ==============================================================================
# Ce script utilise des bibliothèques spécialisées en science des données
# pour créer un modèle capable de deviner l'espèce d'une fleur d'Iris
# à partir de ses dimensions.

# --- Étape 1 : Importer les outils nécessaires ---
# On importe les "outils" (bibliothèques) dont nous aurons besoin.
# - json : pour créer un fichier de modèle lisible par le navigateur web.
# - sklearn : la bibliothèque principale pour l'apprentissage automatique.
# - numpy et pandas : pour manipuler les données facilement.

import json
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score
import numpy as np
import pandas as pd

# --- Étape 2 : Définir une fonction pour exporter notre modèle ---
# Un modèle d'arbre de décision est comme un organigramme de "si... alors...".
# Cette fonction parcourt l'arbre et le traduit dans un format simple (JSON)
# que le JavaScript de notre page web pourra comprendre et utiliser.

def export_tree_to_json(tree, feature_names, target_names):
    tree_ = tree.tree_
    
    def recurse(node_id):
        # Si c'est une feuille de l'arbre, cela signifie qu'on a une décision finale.
        is_leaf = tree_.children_left[node_id] == tree_.children_right[node_id]
        if is_leaf:
            class_index = np.argmax(tree_.value[node_id])
            return {"class": target_names[class_index]}
        # Sinon, c'est un point de décision (un "nœud").
        else:
            feature_index = tree_.feature[node_id]
            threshold = tree_.threshold[node_id]
            feature_name = feature_names[feature_index]
            
            # On continue à descendre dans l'arbre à gauche ou à droite.
            left_child_id = tree_.children_left[node_id]
            right_child_id = tree_.children_right[node_id]
            
            return {
                "feature": feature_name,
                "threshold": threshold,
                "left": recurse(left_child_id),
                "right": recurse(right_child_id)
            }

    return recurse(0)

# --- Étape 3 : Fonction principale où tout se passe ---
def main():
    # 3.1. Charger les données
    # La bibliothèque sklearn contient déjà le fameux jeu de données "Iris".
    iris = load_iris()
    X = iris.data  # Les 4 mesures pour chaque fleur
    y = iris.target  # L'espèce correspondante (0, 1 ou 2)
    feature_names = iris.feature_names # Noms des mesures
    target_names = list(iris.target_names) # Noms des espèces

    # 3.2. Analyser les données
    # On utilise pandas pour créer un tableau et calculer des statistiques.
    df = pd.DataFrame(X, columns=feature_names)
    df['target_name'] = [target_names[i] for i in y]
    
    # On calcule les valeurs moyennes pour les boutons de préréglage.
    presets = df.groupby('target_name').mean().to_dict('index')

    # On sauvegarde un résumé de l'analyse dans un fichier texte.
    with open("analysis_summary.txt", "w") as f:
        f.write("Analysis Summary Here") # Simplifié
    print("Data analysis summary saved to analysis_summary.txt")

    # Sauvegarder le dataset complet en CSV pour la visualisation
    df.to_csv("iris.csv", index=False)
    print("Full dataset saved to iris.csv")

    # 3.3. Entraîner le modèle
    # On sépare nos données : une partie pour entraîner le modèle (70%),
    # et une partie pour le tester (30%).
    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)
    
    # On crée un modèle d'Arbre de Décision.
    model = DecisionTreeClassifier(max_depth=3, random_state=42)
    
    # On "entraîne" le modèle avec les données d'entraînement.
    model.fit(X_train, y_train)
    
    # On teste la performance du modèle sur les données de test.
    y_pred = model.predict(X_test)
    accuracy = accuracy_score(y_test, y_pred)
    print(f"Précision du modèle : {accuracy:.4f}")

    # 3.4. Exporter le modèle pour le web
    model_tree = export_tree_to_json(model, feature_names, target_names)
    
    export_data = {
        "model": model_tree,
        "metadata": {
            "accuracy": accuracy,
            "presets": presets
        }
    }

    with open("iris_model.json", "w") as f:
        json.dump(export_data, f, indent=2)
    print("Modèle et métadonnées exportés vers iris_model.json")

# --- Étape 4 : Lancer le script ---
if __name__ == '__main__':
    main()