Crédits
Partie 1 : implémentation de l'algorithme des k plus proches voisins
Partie 2 : application à un jeu de données historique
Distance de Manhattan, optimisation de la complexité puis étude de l'influence du paramètre k

Crédits⚓︎

Ce TP est inspiré pour la partie 2 d'un travail de Julien de Villèle.

Partie 1 : implémentation de l'algorithme des k plus proches voisins⚓︎

Téléchargement du matériel pour le TP

Ouvrir dans un environnement de programmation Python le fichier tp_eleve.py qui est fourni.
Lister le contenu du répertoire datas qui est fourni.
Quel est le rôle de l'instruction from from utilitaires_knn import * ?
En suivant les spécifications données dans les docstring et à l'aide du cours, compléter les différentes fonctions permettant d'implémenter l'algorithme de recherche des k plus proches voisins dans tp_eleve.py et dans l'encadré ci-dessous. Petite différence avec le cours : on utilise une clef de tri dans la fonction trier_puis_extraire. Par défaut, sorted trie les tuple par ordre alphabétique sur les composantes (selon la première, puis la seconde etc …) donc on n'aurait pas besoin de préciser qu'on veut trier selon la première composante (les distances). Néanmoins, si on ne précise pas la clef de tri, sorted va trier en cas d'égalité de distance selon l'ordre alphabétique des étiquettes, ce qui est arbitraire et donne des résultats différents que la méthode de tri différente présentée dans la partie 3.
Vérifier chaque fonction avec le test unitaire fourni dans tp_eleve.py qui s'exécute avec la syntaxe test_unitaire_nom_fonction() sur le jeu de données pokemons.csv.

🐍 Script Python

from utilitaires_knn import *
import math
import random

#%% Partie 1 : implémentation


def distance_euclidienne(enreg_a, enreg_b, tab_descripteur):
    """
    Parameters
    ----------
        enreg_a, enreg_b et deux enregistrements de données sous forme de 
        dictionnaires
        tab_descripteur un tableau de descripteurs (certaines clefs des 
                                                    enregistrements)

    Returns
    -------
        distance euclidienne entre enreg_a et enreg_b selon les valeurs des 
        descripteurs de tab_descripteur arrondie à 3 chiffres après la virgule
    """
    distance_carre = 0
    for descripteur in tab_descripteur:
        "à compléter "



    return round(math.sqrt(distance_carre), 3)


def table_distance_nouveau(table, nouveau, distance, etiquette, tab_descripteur):
    """
    Parameters
    ----------
    table : une table d'enregistrements de type dictionnaire
    nouveau : un nouvel enregistrement de type dictionnaire
    distance : une fonction de distance entre deux enregistrements
    etiquette : nom du descripteur d'étiquette dans les enregistrements
    tab_descripteur : un tableau avec les noms des descripteurs utilisés
    dans le calcul de la distance

    Returns
    -------
    tab_distance un tableau de tuple (distance entre nouveau et un 
    enregistrement de table, étiquette de cet enregistrement)
    """    
    tab_distance = []
    for enreg in table:
        "à compléter "


    return tab_distance

def clef_tri(couple):
    """Clef de tri pour trier un couple de valeurs selon
    la première composante"""
    return couple[0]


def trier_puis_extraire(tab_distance, k):
    """
    Parameters
    ----------
    tab_distance un tableau de tuple (distance entre deux  enregistrements
    , étiquette) renvoyé par table_distance_nouveau

    Returns
    -------
    tableau k_voisins des k plus petits éléments de tab_distance
    selon le critère de distance
    """
    #précondition
    assert k <= len(tab_distance)
    #tri selon la première composante de chaque tuple (la distance)
    tab_tri = sorted(tab_distance, key = clef_tri)
    "à compléter "






def element_majoritaire(k_voisins):
    """
    Parameters
    ----------
    k_voisins : tableau des k plus proches voisins 

    Returns
    -------
    voisin_majoritaire : chaine de caractère type str, étiquette majoritaire
    parmi les voisins
    """
    occurence = dict()
    voisin_majoritaire = k_voisins[0]
    for voisin in k_voisins:
        if voisin not in occurence:
            occurence[voisin] = 1
        else:
            "à compléter "


        if voisin != voisin_majoritaire  \
           and occurence[voisin] > occurence[voisin_majoritaire]:
            "à compléter "


    return voisin_majoritaire    



def etiquetage_knn(table, nouveau, etiquette, tab_descripteur, k,
                   distance = distance_euclidienne):
    """
    Parameters
    ----------
    table : tableau de dictionnaires
        table d'enregistrements
    nouveau : un dictionnaire
        un nouvel enregistrement
    etiquette : une chaine de caractères
        le nom du descripteur d'étiquette
    tab_descripteur : un tableau
        liste des noms des descripteurs utilisés pour la comparaison
    k : un entier
        le nombre de voisins examinés
    distance : une fonction distance
        The default is distance_euclidienne.

    Returns
    -------
    voisin_majoritaire : une chaine ce caractère
        l'étiquette majoriataire parmi les k plus proches voisins
    """
    "à compléter "








#fin

Partie 2 : application à un jeu de données historique⚓︎

Le jeu de données auquel nous allons nous intéresser est un jeu de données célèbre. Il a été créé et utilisé par Ronald Aylmer Fisher en 1936 (biologiste et statisticien) et concerne 3 espèces d'iris : setosa, virginica et versicolor. Voir l'article de Wikipedia pour les photos des iris et plus de détails.

Ce jeu de données est composé de 50 individus pour chacune des trois espèces (setosa, versicolor, virginica) soit 150 individus en tout.

Pour chacun de ces individus on dispose des champs :

id : numéro d'échantillon (identifiant)
longueur_sepale : longueur des sépales
largeur_sepale : largeur des sépales
longueur_petale : longueur des pétales
largeur_petale : largeur des pétales
espece : 'Iris-setosa', 'Irid_virginica' ou 'Iris-versicolor'

La question que se posait M. Fisher est : "Puis-je, à partir des longueurs et largeurs des sépales et pétales, prédire l'espèce d'un iris ?"

On va donc, à partir des quatre descripteurs longueur_sepale, largeur_sepale, longueur_petale et largeur_petale, rechercher une prédiction de l'étiquette espece.

On travaille toujours dans le fichier tp_eleve.py.

Téléchargement du matériel pour le TP

materiel_tp/zip

Rechercher l'emplacement du fichier iris.csv puis charger dans une variable table_iris son contenu avec la fonction charger_fichier_entete du module utilitaires_knn.

Définir dans une variable iris_a_etiqueter un nouvel iris sans étiquette.

🐍 Script Python

iris_a_etiqueter = {'longueur_sepale':'5.7', 
                    'largeur_sepale':'3.5', 
                    'longueur_petale':'4.8', 
                    'largeur_petale':'0.2'}

Avec la fonction afficher_donnees_point du module utilitaires_knn, on peut afficher le jeu de données et la nouvelle donnée dans un repère du plan en repérant les points par deux descripteurs "longueur_sepale" et "longueur_petale".
🐍 Script Python
```
afficher_donnees_point(["longueur_sepale", "longueur_petale"], 'espece', 
                        table_iris ,  point = [5.7, 4.8],
                        fichier = 'iris-longpetale-longsepale-point.png')
```
On obtient alors le graphique 1.
- Les trois nuages de points classés par espèce sont-ils bien séparés ? L'algorithme des k plus proches voisins va-t-il bien fonctionner en général ?
- Le point marqué d'une croix orange représente l'iris d'espèce inconnue. L'algorithme des k plus proches voisins va-t-il bien fonctionner pour cet iris particulier ? Sur quels paramètres peut-on jouer pour améliorer la prédiction ?
- Avec la fonction etiquetage_knn, écrire un code qui affiche les prédictions de l'algorithme des k plus proches voisins pour k variant entre 1 et 20. Commentaires ?

graphique longueur sepale longueur petale \ Graphique 1 : Jeu de données iris avec deux descripteurs

Avec la fonction afficher_donnees_point du module utilitaires_knn, afficher le jeu de données et la nouvelle donnée dans un repère du plan en repérant les points par trois descripteurs "longueur_sepale", "longueur_petale" et "largeur_sepale". On doit obtenir le graphique 2.
- Les trois nuages de points classés par espèce sont-ils bien séparés ? L'algorithme des k plus proches voisins va-t-il bien fonctionner en général ?
- Le point marqué d'une croix orange représente l'iris d'espèce inconnue. L'algorithme des k plus proches voisins va-t-il bien fonctionner pour cet iris particulier ?
- Avec la fonction etiquetage_knn, écrire un code qui affiche les prédictions de l'algorithme des k plus proches voisins pour k variant entre 1 et 20. Comparer avec les résultats obtenus à la question 3. avec deux descripteurs.

graphique longueur sepale longueur petale largeur sépale \ Graphique 2 : Jeu de données iris avec trois descripteurs

Distance de Manhattan, optimisation de la complexité puis étude de l'influence du paramètre k⚓︎

Dans la ville imaginaire de Manhattan, les rues sont agencées selon un quadrillage et la distance entre deux immeubles A et B de coordonnées $(x_{A},y_{A})$ et $(x_{B},y_{B})$ correspond à la longueur du parcours d'un taxi allant de A vers B en longeant les rues : $distanceManhattan(A, B)=\vert x_{B} - x_{A} \vert + \vert y_{B} - y_{A} \vert$ .

On considère que chaque immeuble de la ville sont repérés dans un repère orthonormé par un couple de coordonnées $(x, y)$ où $x$ et $y$ sont des entiers naturels.

Dans répertoire datas qui est fourni, se trouve un fichier nettoyage.csv avec 944 enregistrements d'immeubles de Manhattan avec trois descripteurs 'x', 'y' et une étiquette 'nettoyage' :

'x' : abscisse de l'immeuble un entier compris entre 0 et 100
'y' : ordonnée de l'immeuble un entier compris entre 0 et 100
'nettoyage' : le nom de l'entreprise de nettoyage de l'immeuble qui peut prendre deux valeurs : 'jules' ou 'paul'

On travaille toujours dans le fichier tp_eleve.py.

Téléchargement du matériel pour le TP

materiel_tp/zip

Saisir le code suivant pour :
- charger dans une variable table_nettoyage le contenu du jeu de données nettoyage.csv avec la fonction charger_fichier_entete du module utilitaires_knn ;
- afficher le jeu de données et enregistrer l'image dans le répertoire de travail.
🐍 Script Python
```
table_nettoyage = charger_fichier_entete('./datas/nettoyage.csv')
afficher_donnees(["x", "y"], 
                 'nettoyage', table_nettoyage, 
                 fichier = 'nettoyage.png')
```

graphique longueur sepale longueur petale largeur sépale \ Graphique 3 : Entreprises de nettoyages dans Manhattan

Compléter le code de la fonction distance_manhattan en respectant la spécification donnée dans la docstring. Vérifier ensuite que le test unitaire test_unitaire_distance_manhattan() est réussi.

🐍 Script Python

def distance_manhattan(enreg_a, enreg_b, tab_descripteur):
    """
    Parameters
    ----------
        enreg_a, enreg_b et deux enregistrements de données sous forme de 
        dictionnaires
        tab_descripteur un tableau de descripteurs (certaines clefs des 
                                                    enregistrements)

    Returns
    -------
        distance de manhattan entre enreg_a et enreg_b selon les valeurs des 
        descripteurs de tab_descripteur arrondie à 3 chiffres après la virgule
    """
    distance = 0
    for descripteur in tab_descripteur:
        distance = "à  compléter"
    return distance

Compléter le code suivant afin d'afficher une prédiction de l'entreprise de nettoyage choisie pour un nouvel immeuble de coordonnées $(30, 43)$ , à l'aide de la fonction etiquetage_knn écrite précédemment. On pensera à passer en paramètre la fonction distance_manhattan car la distance par défaut est distance_euclidienne. Pour simplifier on suppose que si un immeuble existe déjà au point de coordonnées $(30, 43)$ alors une nouvelle étiquette est attribuée.
🐍 Script Python
```
nouveau_client = {'x' : 30, 'y' : 43}
for k in range(1, 11):
    prediction = "à compléter"
    print("k = ", k, "prédiction  :", prediction)
```
La complexité temporelle dominante dans l'algorithme des k plus proches voisins que nous avons implémenté est celle du tri, ce qui donne un ordre de grandeur en $n \log(n)$ pour un jeu de données de taille $n$ . On va implémenter un algorithme de complexité linéaire, d'ordre de grandeur $n$ , ce qui sera plus performant sur des jeux de données de très grande taille
On considère un algorithme de complexité en $n \log(n)$ (fonction logarithme décimal de la calculatrice qui donne approximativement le nombre de chiffres d'un nombre en base dix) et on admet que son temps d'exécution pour un jeu de données de taille $n=10$ est de 1 milliseconde. Quel est son temps d'exécution pour un jeu de données de taille $1000$ ? de taille $100000$ ? de taille $10^{6}$ ?
On considère un algorithme de complexité en $n \log(n)$ et on admet que son temps d'exécution pour un jeu de données de taille $n=10$ est de 2 millisecondes. Quel est son temps d'exécution pour un jeu de données de taille $1000$ ? de taille $100000$ ? de taille $10^{6}$ ?
Quel est l'intérêt d'une complexité en $n$ par rapport à une complexité en $n \log(n)$ ?
Pour obtenir un algorithme de complexité linéaire,on ne va pas trier tout le jeu de données de taille $n$ mais maintenir une liste les k plus proches voisins lors du parcours du tableau tab_distance.

Celui-ci contient les tuples (distance, étiquette) sous cette forme :

🐍 Script Python

[(10.0, 'paul'), (13.0, 'paul'), (14.0, 'paul'), (16.0, 'jules'), (17.0, 'paul'), ...]

On procède ainsi :

On trie d'abord les k premiers éléments de tab_distance dans une liste k_voisins
Pour chacun des couples suivants on l'insère à sa place dans k_voisins puis on enlève le dernier élément de k_voisins (de plus grande de distance) pour garder uniquement les k voisins les plus proches. L'algorithme d'insertion est le même que pour le tri par insertion.

Compléter la fonction trier_puis_extraire_insertion.

Vérifier avec le test unitaire test_unitaire_trier_puis_extraire_insertion().

🐍 Script Python

def trier_puis_extraire_insertion(tab_distance, k):
    """
    Parameters
    ----------
    tab_distance un tableau de tuple (distance entre deux  enregistrements
    , étiquette) renvoyé par table_distance_nouveau

    Returns
    -------
    tableau k_voisins des k plus petits éléments de tab_distance
    selon le critère de distance
    """
    #précondition
    assert k <= len(tab_distance)
    #liste triée des k premiers tuples de tab_distance 
    k_voisins = sorted([tab_distance[i] for i in range(k)])
    #parcours des tuples suivants
    for i in range(k, len(tab_distance)):     
        nouveau = tab_distance[i]
        #ajout de nouveau à la fin de tab_distance
        k_voisins.append(nouveau)
        #insertion de nouveau à sa place dans la liste triée k_voisins
        #comme dans le tri par insertion avec une boucle while
        j = k - 1
        "à compléter"



        #invariant : ici k_voisins toujours dans l'ordre croissant des distances
        #on enlève le  dernier tuple de k_voisin = voisin le plus loin
        k_voisins.pop()
    #on extrait de k_voisins la liste des étiquettes uniquement
    return [voisin[1] for voisin in k_voisins[:k]]

Modifier la fonction etiquetage_knn en une fonction etiquetage_knn_insertion qui prédit une étiquette en utilisant trier_puis_extraire_insertion.

On veut mesurer expérimentalement la complexité temporelle de etiquetage_knn_insertion. Spécifier la fonction mesure_temps qui est fournie. à l'aide d'une docstring.

On donne ci-dessous un exemple d'exécution. Commenter les résultats affichés.

🐍 Script Python

In [43]: mesure_temps(etiquetage_knn_insertion, 5)
Taille :  100  Temps :  0.0001652430000831373 Ratio = temps/ temps_precedent = None
Taille :  1000  Temps :  0.0013811469998472603 Ratio = temps/ temps_precedent = 8.358278409084654
Taille :  10000  Temps :  0.01579672799925902 Ratio = temps/ temps_precedent = 11.437398047424324
Taille :  100000  Temps :  0.15101633700032835 Ratio = temps/ temps_precedent = 9.559975775199275
Taille :  1000000  Temps :  1.513596802999018 Ratio = temps/ temps_precedent = 10.022735507057936

On fournit une procédure d'en-tête influence_k(nb_clients, cote_ville) qui prédit l'étiquette pour tous les immeubles de la ville avec l'algorithme des k plus proches voisins, k variant de 1 à 10 et affiche la carte des prédictions. Si l'immeuble est déjà dans le jeu de données on fait quand même une prédiction , qui peut être différente de l'étiquette du point (pas absurde si on le voit comme une réattribution de marché). Exécuter le test proposé puis commenter à partir des images obtenues l'influence du paramètre k sur la prédiction. Un exemple en video est disponible ici)

influence k = 1 \

influence k = 10 \

Graphique 4 : Influence du paramètre k