Ajout de la Model Card

README.md

@@ -0,0 +1,51 @@
+---
+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.