File size: 2,694 Bytes
a0fb68d 0a95fff f280f60 0a95fff f280f60 0a95fff f280f60 0a95fff a0fb68d f280f60 a0fb68d |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 |
# Mon Modèle Scikit-learn
Ce modèle a été entraîné avec scikit-learn pour prédire les émissions en CO2 d'une voiture.
L'entrainement du modèle a été fait avec Google Collab : https://colab.research.google.com/drive/1n1Vtx6873e06c0WYG9JKIJ_ZLTMkptcX#scrollTo=_eLI1udbyDT3
La documentation sur l'entraînement du modèle est la suivante : https://docs.google.com/spreadsheets/d/1oBshoNy2NJZQreOEbBfcWCCg2wo0PQDo/edit?gid=1220399676#gid=1220399676
# Input Data
Les données d'entrée du modèle sont les suivantes :
- puiss_admin_98
- conso_urb
- conso_exurb
- masse_ordma_max
- lib_mrq_BMW
- lib_mrq_MERCEDES
- lib_mrq_VOLKSWAGEN
- typ_boite_nb_rapp_A 5
- typ_boite_nb_rapp_A 6
- champ_v9_"715/2007*195/2013EURO5
- champ_v9_"715/2007*195/2013EURO6
- champ_v9_"715/2007*566/2011EURO5
- champ_v9_"715/2007*630/2012EURO5
- champ_v9_715/2007*195/2013EURO5
- Carrosserie_BREAK
- Carrosserie_COUPE
- Carrosserie_MINIBUS
- Carrosserie_TS TERRAINS/CHEMINS
- gamme_INFERIEURE
- gamme_LUXE
- gamme_MOY-INFERIEURE
- gamme_MOY-SUPER
- gamme_SUPERIEURE
Pour faciliter la réception d'information, on va demander des informations plus concises puis on va recréer l'ensemble de ses champs. On s'attends à un JSON de la forme :
{
"puiss_admin_98": 7,
"conso_urb": 5.6,
"conso_exurb": 4.3,
"masse_ordma_max": 1500,
"marque": "BMW",
"typ_boite": "A 5",
"champ_v9": "715/2007*195/2013EURO5",
"carrosserie": "COUPE",
"gamme": "LUXE"
}
puiss_admin_98 : Puissance administrative de la voiture (Entier)
conso_urb : Consommation d'essence en ville L/1OOkm (Entier à 1 décimale)
conso_exurb : Consommation d'essence en campagne L/1OOkm (Entier à 1 décimale)
masse_ordma_max : Masse du véhicule
marque : Marque du véhicule parmi
["BMW", "MERCEDES", "VOLKSWAGEN"]
typ_boite : Type de boite de vitesse parmi
["A 5", "A 6", "A 7", "A 8", "M 5", "M 6"]
champ_v9 : type de norme parmi
["715/2007*195/2013EURO5", "715/2007*630/2012EURO5", "715/2007*692/2008EURO5"]
carrosserie : type de carrosserie parmi
["BREAK", "COUPE", "MINIBUS", "TS TERRAINS/CHEMINS"]
gamme : gamme du véhicule parmi
["INFERIEURE", "LUXE", "MOY-INFERIEURE", "MOY-SUPER", "SUPERIEURE"]
## Exemple d'utilisation
```python
import joblib
import numpy as np
# Charger le modèle
model = joblib.load("model.joblib")
# Effectuer une prédiction
input_data = {
"puiss_admin_98": 7,
"conso_urb": 5.6,
"conso_exurb": 4.3,
"masse_ordma_max": 1500,
"marque": "BMW",
"typ_boite": "A 5",
"champ_v9": "715/2007*195/2013EURO5"
"carrosserie": "COUPE",
"gamme": "LUXE"
}
prediction = model.predict([input_data])
print(f"Prédiction : {prediction}")
|