Discussion :

[s2a07]

bonjour je suis bloque sur cette erreur

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
import numpy as np
import matplotlib.pyplot as plt
from sklearn import svm, datasets
from sklearn.model_selection import train_test_split
 
# Chargement des données
iris = datasets.load_iris()
 
X, y = iris.data[:, :2], iris.target
# On conserve 50% du jeu de données pour l'évaluation
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.5)
 
C = 1.0 # paramètre de régularisation
lin_svc = svm.LinearSVC(C=C)
lin_svc.fit(X_train, y_train)
 
lin_svc.score(X_test, y_test)

j'ai cette erreur Liblinear failed to converge, increase the number of iterations comment resoudre ce problème

merci d'avance

[dourouc05]

Tu peux soit ignorer le message (a priori, le modèle n'est pas aussi bon que possible sur tes données, mais ce n'est pas pour ça qu'il est catastrophique -- vérifie en faisant varier le nombre d'itérations pour voir que ton erreur n'est pas en train de croître !), soit augmenter le nombre d'itérations comme recommandé par le message :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

lin_svc = svm.LinearSVC(C=1.0, max_iter=10000)

Parmi les autres solutions possibles, normaliser les données (https://scikit-learn.org/stable/modu...ardScaler.html), augmenter ou diminuer la régularisation (tente des valeurs de C sur un échelle logarithmique : 0.0001, 0.001... 1, 10, 100...), résoudre le problème primal (dual=False dans les paramètres).

[s2a07]

salut merci a toi par contre sur mac je n'arrive pas a installer tensorflow via pip via l'interface aussi ou penses tu que ca cloche

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
import tensorflow as tf
 
# Définir les données d'entraînement
text = "Hello, world!"
vocab = sorted(set(text))
char_to_idx = {c:i for i, c in enumerate(vocab)}
idx_to_char = {i:c for i, c in enumerate(vocab)}
text_as_int = [char_to_idx[c] for c in text]
 
# Créer les données d'entraînement et de validation
seq_length = 5
examples_per_epoch = len(text)//(seq_length+1)
char_dataset = tf.data.Dataset.from_tensor_slices(text_as_int)
sequences = char_dataset.batch(seq_length+1, drop_remainder=True)
 
def split_input_target(chunk):
    input_text = chunk[:-1]
    target_text = chunk[1:]
    return input_text, target_text
 
dataset = sequences.map(split_input_target)
BATCH_SIZE = 1
BUFFER_SIZE = 10000
dataset = dataset.shuffle(BUFFER_SIZE).batch(BATCH_SIZE, drop_remainder=True)
 
# Définir le modèle
vocab_size = len(vocab)
embedding_dim = 256
rnn_units = 1024
 
model = tf.keras.Sequential([
    tf.keras.layers.Embedding(vocab_size, embedding_dim,
                              batch_input_shape=[BATCH_SIZE, None]),
    tf.keras.layers.LSTM(rnn_units,
                         return_sequences=True,
                         stateful=True,
                         recurrent_initializer='glorot_uniform'),
    tf.keras.layers.Dense(vocab_size)
])
 
# Définir la fonction de perte et l'optimiseur
def loss(labels, logits):
    return tf.keras.losses.sparse_categorical_crossentropy(labels, logits, from_logits=True)
 
model.compile(optimizer='adam', loss=loss)
 
# Entraîner le modèle
EPOCHS = 30
history = model.fit(dataset, epochs=EPOCHS)
 
# Utiliser le modèle pour générer une séquence de caractères
start_string = "Hi, there!"
input_eval = [char_to_idx[s] for s in start_string]
input_eval = tf.expand_dims(input_eval, 0)
 
# Nombre de caractères à générer
num_generate = 50
 
# Boucle de génération des caractères
text_generated = []
model.reset_states()
for i in range(num_generate):
    predictions = model(input_eval)
    predictions = tf.squeeze(predictions, 0)
    predicted_id = tf.random.categorical(predictions, num_samples=1)[-1,0].numpy()
    input_eval = tf.expand_dims([predicted_id], 0)
    text_generated.append(idx_to_char[predicted_id])
 
print(start_string + ''.join(text_generated))

merci d'avance et voici le message d'erreur malgre l'installation avec pip3
import tensorflow as tf
ModuleNotFoundError: No module named 'tensorflow'