🌸 Classification des Espèces d'Iris - Machine Learning

📋 Description du Projet

Ce projet implémente plusieurs algorithmes de machine learning pour classifier automatiquement les espèces d'iris basées sur leurs caractéristiques morphologiques. Il s'agit d'un projet d'apprentissage utilisant le célèbre dataset Iris de Fisher, parfait pour découvrir les concepts fondamentaux du machine learning.

🎯 Objectifs

• Analyser le dataset Iris avec des techniques d'analyse exploratoire des données (EDA)
• Visualiser les relations entre les différentes caractéristiques des fleurs
• Comparer les performances de 4 algorithmes de classification différents
• Identifier le modèle le plus performant pour prédire l'espèce d'iris

📊 Dataset

Le dataset contient 150 observations d'iris avec :

• 50 échantillons de chaque espèce :
  • Iris-setosa
  • Iris-versicolor
  • Iris-virginica

Caractéristiques mesurées :

• SepalLengthCm : Longueur du sépale (cm)
• SepalWidthCm : Largeur du sépale (cm)
• PetalLengthCm : Longueur du pétale (cm)
• PetalWidthCm : Largeur du pétale (cm)
• Species : Espèce d'iris (variable cible)

🤖 Algorithmes de Machine Learning Testés

Algorithme	Précision obtenue
Logistic Regression	100%
Support Vector Machine (SVM)	100%
Decision Tree	97.78%
K-Nearest Neighbors (KNN)	97.78%

📈 Analyses Réalisées

1. Analyse Exploratoire des Données (EDA)

• Statistiques descriptives
• Distribution des espèces
• Détection des valeurs manquantes

2. Visualisations

• Pairplot : Relations entre toutes les variables
• Scatter plots :
  • Longueur vs Largeur des sépales
  • Longueur vs Largeur des pétales
• Graphique de performance : Précision du KNN selon le nombre de voisins

3. Modélisation

• Division train/test (70%/30%)
• Entraînement de 4 modèles différents
• Évaluation et comparaison des performances

🚀 Comment Utiliser le Projet

Prérequis

pip install numpy pandas seaborn matplotlib scikit-learn

Exécution

1. Clonez ou téléchargez le repository
2. Assurez-vous que les données sont dans le dossier data/
3. Ouvrez le notebook Jupyter :

   jupyter notebook "ROUSSEAU Loris - Iris Species  - Machine Learning.ipynb"

4. Exécutez toutes les cellules pour reproduire l'analyse

📁 Structure du Projet

iris-species/
├── README.md                                           # Ce fichier
├── ROUSSEAU Loris - Iris Species  - Machine Learning.ipynb  # Notebook principal
├── data/
│   ├── Iris.csv                                       # Dataset principal
│   └── database.sqlite                                # Base de données SQLite
└── .gitattributes                                     # Configuration Git

🔍 Résultats Clés

Modèles les Plus Performants

Les algorithmes Logistic Regression et SVM ont obtenu une précision parfaite de 100% sur le jeu de test.

Insights des Visualisations

• Les espèces Iris-setosa sont facilement séparables des autres
• Les Iris-versicolor et Iris-virginica présentent plus de chevauchement
• Les caractéristiques des pétales sont plus discriminantes que celles des sépales

Optimisation KNN

L'analyse de sensibilité du paramètre k pour KNN montre que les meilleures performances sont obtenues avec k=1 à k=3.

📚 Technologies Utilisées

• Python 3.x
• Pandas - Manipulation des données
• NumPy - Calculs numériques
• Matplotlib & Seaborn - Visualisation
• Scikit-learn - Algorithmes de machine learning
• Jupyter Notebook - Environnement de développement

👨‍💻 Auteur

ROUSSEAU Loris

📄 Licence

Ce projet est à des fins éducatives et d'apprentissage du machine learning.

---

Ce projet utilise le dataset Iris classique, introduit par Ronald Fisher en 1936, et reste l'un des exemples les plus populaires pour l'apprentissage du machine learning.