GILLES Armand armgilles

## vcub_keeper_activty_station_and_contamination.csv
station_id;total_point;mean_transactions_all;Contamisation_IF_transactions_all;mean_transactions_out;Diff;profile_station_activity_transactions_all;PROFILE_STATION_RULE;profile_station_activity_transactions_out
160;64496;0.00;;0.00;0;low;144;low
181;2;0.00;;0.00;0;low;144;low
92;65219;0.01;;0.00;0.01;low;144;low
161;64028;0.01;;0.00;0.01;low;144;low
167;62437;0.01;;0.01;0;low;144;low
168;50066;0.01;;0.02;-0.01;low;144;low
180;31672;0.01;;0.00;0.01;low;144;low
183;17277;0.01;;0.01;0;low;144;low
71;64813;0.02;;0.01;0.01;low;144;low

## data_analyse.md

      
              1 file
            
          
              0 forks
            
          
              0 comments
            
          
              0 stars
            
          
                armgilles
                / data_analyse.md
            
            
              Last active
              December 12, 2018 14:29
            
              
                Analyse de données dynamique batch_5_transplant
              
          
      View data_analyse.md
  
      
    Analyse de données des données dynamiques
Objectifs :

Lister les variables qui ont un comportement anomormales.
J'ai indiqué des hypothèses en gras. La majorité du temps c'est la possibilité que la valeurs est plusieurs unités de mesures différentes (comme ETCO2), mais il est possible que cela montre une difficulté pour le patient ou le bloc opératoire, à voir avec le métier.
Vous pouvez retrouver le notebook d'analyse de ces données avec les graphiques ici

Variables :

  
## bike_parking_project.md

      
              1 file
            
          
              0 forks
            
          
              1 comment
            
          
              0 stars
            
          
                armgilles
                / bike_parking_project.md
            
            
              Last active
              December 5, 2017 11:06
            
              
                idée / lien / réalisation afin de proposé un solution pour le stationnement des vélos au Node
              
          
      View bike_parking_project.md
  
      
    Voici un petit document des liens et idées intéressants pour trouver une solution au stationnement de vélos au Node.
Problèmes :
Il y a environ 8 à 12 vélos tous les jours au Node et cela devient contraignant pour la sécurité du lieu. Si aucune solution n'est trouvé, les coworkers devront attachés leurs vélos à l'extérieur à la merci de la pluie et des possibles dégradations.
Il faut donc +/- 15 places pour les vélo au Nodes sans que cela ne gène personnes.
Equipements :

  
## new_REI_variable_desc.md

      
              1 file
            
          
              0 forks
            
          
              0 comments
            
          
              0 stars
            
          
                armgilles
                / new_REI_variable_desc.md
            
            
              Created
              July 11, 2017 14:04
            
              
                New variables in REI 2016 and not in impot_ouput for update documentation in open moulinette
              
          
      View new_REI_variable_desc.md
  
      
B33MGPTAFNB : TAFNB - MGP / MONTANT NET
WC52 : CFE - ALLOCATION COMPENSATRICE - EXO dans les QPV / COMMUNE
J86 : TH - NOMBRE DE BENEFICIAIRES DE L ABATTEMENT SPECIAL A LA BASE / GEMAPI
L16 : TH - BASES NETTES INTERCOMMUNALES EXONEREES (ANCIENS DO TOTAUX) - MONTANT
L15VP : TH - BASES NETTES COMMUNALES EXONEREES VIEUX PARENTS - MONTANT
X382 : CFE -   EXONERATION QPV TPE CREATION D ENTREPRISES (EXO 53C) / BASES EXONEREES / SYNDICAT
AOG12 : TH - PERSONNES A CHARGE DE RANG 1 ET 2 - TOTAL DES ABATTEMENTS (GEMAPI)
B32MGPTAFNB : TAFNB - MGP / TAUX NET
SIREPT : NUMERO SIREN DE L EPT
WC70 : FB - ALLOCATION COMPENSATRICE - EXO dans les QPV / COMMUNE


## tsne-transform.py
# Author: HJ van Veen <info@mlwave.com>
# Description: Experiment to learn a tSNE transformer for new
#              test data with a multi-output GBM
#
# Idea first seen at lvdmaaten.github.io/tsne
# > [...] it is not possible to embed test points in an existing
# > map [...]
# > A potential approach to deal with this would be to train
# > a multivariate regressor to predict the map location from
# > the input data.

## code_insee_metrople
insee_metropole = {'59350' : 'Lille',
                '59013' : 'Lille',
                '59017' : 'Lille',
                '59044' : 'Lille',
                '59051' : 'Lille',
                '59056' : 'Lille',
                '59090' : 'Lille',
                '59098' : 'Lille',
                '59106' : 'Lille',
                '59128' : 'Lille',

## pokemon.csv

          
            #
            Name
            Type 1
            Type 2
            Total
            HP
            Attack
            Defense
            Sp. Atk
            Sp. Def
            Speed
            Generation
            Legendary

            
              1
              Bulbasaur
              Grass
              Poison
              318
              45
              49
              49
              65
              65
              45
              1
              False

            
              2
              Ivysaur
              Grass
              Poison
              405
              60
              62
              63
              80
              80
              60
              1
              False

            
              3
              Venusaur
              Grass
              Poison
              525
              80
              82
              83
              100
              100
              80
              1
              False

            
              3
              VenusaurMega Venusaur
              Grass
              Poison
              625
              80
              100
              123
              122
              120
              80
              1
              False

            
              4
              Charmander
              Fire
              
              309
              39
              52
              43
              60
              50
              65
              1
              False

            
              5
              Charmeleon
              Fire
              
              405
              58
              64
              58
              80
              65
              80
              1
              False

            
              6
              Charizard
              Fire
              Flying
              534
              78
              84
              78
              109
              85
              100
              1
              False

            
              6
              CharizardMega Charizard X
              Fire
              Dragon
              634
              78
              130
              111
              130
              85
              100
              1
              False

            
              6
              CharizardMega Charizard Y
              Fire
              Flying
              634
              78
              104
              78
              159
              115
              100
              1
              False

## heamy_how_to_predict_result.ipynb

      
              1 file
            
          
              0 forks
            
          
              0 comments
            
          
              0 stars
            
          
                armgilles
                / heamy_how_to_predict_result.ipynb
            
            
              Created
              August 31, 2016 14:07
            
          
      View heamy_how_to_predict_result.ipynb
  
    
      Sorry, something went wrong. Reload?
      Sorry, we cannot display this file.
      Sorry, this file is invalid so it cannot be displayed.
      
          Viewer requires iframe.
      
    
## Features select and ensemble.ipynb

      
              1 file
            
          
              0 forks
            
          
              0 comments
            
          
              0 stars
            
          
                armgilles
                / Features select and ensemble.ipynb
            
            
              Created
              July 8, 2016 16:02
            
              
                Re commit for mlxtend package
              
          
      View Features select and ensemble.ipynb
  
    
      Sorry, something went wrong. Reload?
      Sorry, we cannot display this file.
      Sorry, this file is invalid so it cannot be displayed.
      
          Viewer requires iframe.
      
    
## lr_features_selection.py
skf = StratifiedKFold(y, n_folds=5, random_state=17, shuffle=True)

C_params = [0.01 , 1, 10, 50, 70, 100]
solvers = ['newton-cg', 'lbfgs', 'liblinear', 'sag']

my_result_list = []
for C_param in C_params:
    for solver in solvers:
        print "Looking for C : %s and solver : %s" % (C_param, solver)
        model = LogisticRegression(class_weight='balanced', random_state=17,
	station_id;total_point;mean_transactions_all;Contamisation_IF_transactions_all;mean_transactions_out;Diff;profile_station_activity_transactions_all;PROFILE_STATION_RULE;profile_station_activity_transactions_out
	160;64496;0.00;;0.00;0;low;144;low
	181;2;0.00;;0.00;0;low;144;low
	92;65219;0.01;;0.00;0.01;low;144;low
	161;64028;0.01;;0.00;0.01;low;144;low
	167;62437;0.01;;0.01;0;low;144;low
	168;50066;0.01;;0.02;-0.01;low;144;low
	180;31672;0.01;;0.00;0.01;low;144;low
	183;17277;0.01;;0.01;0;low;144;low
	71;64813;0.02;;0.01;0.01;low;144;low
	# Author: HJ van Veen <info@mlwave.com>
	# Description: Experiment to learn a tSNE transformer for new
	# test data with a multi-output GBM
	#
	# Idea first seen at lvdmaaten.github.io/tsne
	# > [...] it is not possible to embed test points in an existing
	# > map [...]
	# > A potential approach to deal with this would be to train
	# > a multivariate regressor to predict the map location from
	# > the input data.
	insee_metropole = {'59350' : 'Lille',
	'59013' : 'Lille',
	'59017' : 'Lille',
	'59044' : 'Lille',
	'59051' : 'Lille',
	'59056' : 'Lille',
	'59090' : 'Lille',
	'59098' : 'Lille',
	'59106' : 'Lille',
	'59128' : 'Lille',
#	Name	Type 1	Type 2	Total	HP	Attack	Defense	Sp. Atk	Sp. Def	Speed	Generation	Legendary
1	Bulbasaur	Grass	Poison	318	45	49	49	65	65	45	1	False
2	Ivysaur	Grass	Poison	405	60	62	63	80	80	60	1	False
3	Venusaur	Grass	Poison	525	80	82	83	100	100	80	1	False
3	VenusaurMega Venusaur	Grass	Poison	625	80	100	123	122	120	80	1	False
4	Charmander	Fire		309	39	52	43	60	50	65	1	False
5	Charmeleon	Fire		405	58	64	58	80	65	80	1	False
6	Charizard	Fire	Flying	534	78	84	78	109	85	100	1	False
6	CharizardMega Charizard X	Fire	Dragon	634	78	130	111	130	85	100	1	False
6	CharizardMega Charizard Y	Fire	Flying	634	78	104	78	159	115	100	1	False
	skf = StratifiedKFold(y, n_folds=5, random_state=17, shuffle=True)

	C_params = [0.01 , 1, 10, 50, 70, 100]
	solvers = ['newton-cg', 'lbfgs', 'liblinear', 'sag']

	my_result_list = []
	for C_param in C_params:
	for solver in solvers:
	print "Looking for C : %s and solver : %s" % (C_param, solver)
	model = LogisticRegression(class_weight='balanced', random_state=17,