Régression logistique multiclasse (softmax) – Iris 🌸
Modèle de classification qui prédit l'espèce d'une fleur d'iris à partir de 4 mesures.
Description
- Type :
Pipelinescikit-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.
- Downloads last month
- -
from huggingface_hub import hf_hub_download import joblib model = joblib.load( hf_hub_download("BOUIDA/logreg-iris-softmax", "sklearn_model.joblib") ) # only load pickle files from sources you trust # read more about it here https://skops.readthedocs.io/en/stable/persistence.html