---
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.