| --- |
| 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 |
| ```python |
| 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. |
|
|
