Docker

src/evaluate_model.py

@@ -0,0 +1,23 @@
+import numpy as np
+
+def evaluate_model(df, theta_0, theta_1):
+    """Calcule la précision du modèle en utilisant l'erreur quadratique moyenne (MSE) et R²."""
+    X = df["km_norm"].values
+    y = df["price_norm"].values
+
+    # Prédictions du modèle
+    y_pred = theta_0 + theta_1 * X
+
+    # Erreur quadratique moyenne (MSE)
+    mse = np.mean((y - y_pred) ** 2)
+
+    # Coefficient de détermination (R²)
+    ss_total = np.sum((y - np.mean(y)) ** 2)
+    ss_residual = np.sum((y - y_pred) ** 2)
+    r2_score = 1 - (ss_residual / ss_total)
+
+    print(f"\nPrécision du modèle :")
+    print(f"🔹 Erreur quadratique moyenne (MSE) : {mse:.4f}")
+    print(f"🔹 Coefficient de détermination (R²) : {r2_score:.4f} (plus proche de 1 = meilleur)")
+
+    return mse, r2_score

src/training_model.py

@@ -3,6 +3,7 @@ import pandas as pd
 from data_process import load_and_process_data
 from gradient_descent import gradient_descent
 from visualization import plot_cost_history, plot_regression_line
+from evaluate_model import evaluate_model
 
 def train_model():
     """
@@ -16,7 +17,7 @@ def train_model():
     theta_0_init = 0
     theta_1_init = 1
     learning_rate = 0.1 # Taux d'apprentissage
-    iterations = 1000
+    iterations = 10000
 
     # Exécuter la descente de gradient
     theta_0_opt, theta_1_opt, cost_history = gradient_descent(X, y, theta_0_init, theta_1_init, learning_rate, iterations)
@@ -31,6 +32,7 @@ def train_model():
     plot_cost_history(cost_history) # Affichage de l'historique du coût
     # Affichage de la régression linéaire
     plot_regression_line(df, theta_0_opt, theta_1_opt)
+    evaluate_model(df, theta_0_opt, theta_1_opt)
     
     return theta_0_opt, theta_1_opt