Lab 5 : Visualisation & Machine Learning

Objectif : Explorer un jeu de données par la visualisation (Matplotlib / Seaborn), puis construire et évaluer un premier modèle de classification avec Scikit-Learn.

Ce laboratoire fait suite au Lab 4 : il repart du jeu de transactions nettoyé pour passer à l’analyse exploratoire visuelle (EDA) puis à la modélisation. Le fil va de quelques graphiques diagnostiques (chiffre d’affaires par catégorie, évolution journalière) jusqu’à une régression logistique évaluée — un enchaînement représentatif du début d’un projet de ML supervisé.

Objectifs d’apprentissage

À la fin de ce lab, vous saurez :

  1. Mener une analyse exploratoire visuelle (EDA) avec Matplotlib et Seaborn
  2. Lire un graphique pour en extraire des insights métier (catégories, tendances temporelles)
  3. Préparer features et cible, puis séparer entraînement / test (train_test_split)
  4. Entraîner une régression logistique et évaluer sa performance (accuracy, matrice de confusion, courbe ROC / AUC)

Données fournies

  • Aucune donnée propre : ce lab réutilise transactions.csv du Lab 4 (chemin relatif ../Lab4-DataWrangling/transactions.csv), illustrant la continuité préparation → analyse.

Prérequis

  • Lab 4 (Data Wrangling) : jeu de données nettoyé réutilisé ici
  • Python 3.10+ avec pandas, matplotlib, seaborn, scikit-learn

Notebook

  • Lab5-Viz-ML.ipynb — notebook étudiant (exemple guidé + exercices : prix moyen par catégorie, distribution des prix, matrice de confusion, courbe ROC / AUC)

Suite

Lab 6 (First Agent) bascule vers l’IA agentique : le modèle Scikit-Learn devient un outil qu’un agent LangChain peut appeler pour raisonner.

Retour au sommet