NatPRL

# Obtention des centres de cluster et des labels
centers = kmeans.cluster_centers_
labels = kmeans.labels_

NatPRL

# Application de l'algorithme de K-Means
kmeans = KMeans(n_clusters=4)
kmeans.fit(X)

NatPRL

# Visualisation des données
plt.scatter(X[:, 0], X[:, 1], s=50)
plt.title("Données non supervisées")
plt.show()

NatPRL

# Génération de données synthétiques
X, y = make_blobs(n_samples=300, centers=4, random_state=42)

NatPRL

# Importation des bibliothèques nécessaires
import numpy as np
import matplotlib.pyplot as plt
from sklearn.cluster import KMeans
from sklearn.datasets import make_blobs

NatPRL

# Étape 7 : Visualisation des résultats avec un graphique
plt.scatter(X_test, y_test, color='black', label='Données réelles')
plt.plot(X_test, predictions, color='blue', linewidth=3, label='Régression linéaire')
plt.xlabel('Heures de révision')
plt.ylabel('Notes d\'examen')
plt.legend()
plt.show()

NatPRL

# Étape 6 : Évaluation des performances du modèle
mse = mean_squared_error(y_test, predictions)

NatPRL

# Étape 5 : Prédictions sur l'ensemble de test
predictions = modele.predict(X_test)

NatPRL

# Étape 4 : Création et entraînement du modèle de régression linéaire
modele = LinearRegression()
modele.fit(X_train, y_train)

NatPRL

# Étape 3 : Division des données en ensembles d'entraînement et de test
X_train, X_test, y_train, y_test = train_test_split(heures_de_revision, notes_examen, test_size=0.2, random_state=42)