README.md

metadata

library_name: sklearn
tags:
  - tabular-classification
  - logistic-regression
  - iris
datasets:
  - scikit-learn/iris
metrics:
  - accuracy
license: mit

Régression logistique multiclasse (softmax) – Iris 🌸

Modèle de classification qui prédit l'espèce d'une fleur d'iris à partir de 4 mesures.

Description

• Type : Pipeline scikit-learn = StandardScaler + LogisticRegression (softmax multiclasse)
• Données : dataset Iris (150 fleurs, 3 espèces), 70 % entraînement / 30 % test (stratifié)
• Classes : 0 = setosa, 1 = versicolor, 2 = virginica

Performance

Méthode	Accuracy (test)
Softmax (ce modèle)	0,911
One-vs-Rest (comparaison)	0,844

Utilisation

from huggingface_hub import hf_hub_download
import joblib
import pandas as pd

chemin = hf_hub_download("BOUIDA/logreg-iris-softmax", "logreg_iris_softmax.joblib")
modele = joblib.load(chemin)

fleur = pd.DataFrame([{
    "sepal length (cm)": 6.0, "sepal width (cm)": 2.9,
    "petal length (cm)": 4.5, "petal width (cm)": 1.5,
}])
classes = ["setosa", "versicolor", "virginica"]
print(classes[modele.predict(fleur)[0]])   # versicolor

⚠️ Le modèle attend un DataFrame avec exactement ces 4 noms de colonnes. La normalisation (StandardScaler) est incluse dans le modèle.

Limites

• Entraîné sur un petit dataset (150 exemples) : projet d'apprentissage.
• Ne reconnaît que les 3 espèces d'iris du dataset.