Docker

.dockerignore

@@ -0,0 +1,19 @@
+# Ignorer le dossier Git et les fichiers de versioning
+.git/
+.gitignore
+
+# Ignorer les fichiers Python temporaires
+__pycache__/
+*.pyc
+*.pyo
+*.pyd
+
+# Ignorer l’environnement virtuel (si jamais recréé)
+venv/
+ftline/
+
+# Ignorer les fichiers générés
+model.npy
+data/data.normalized.csv
+
+ft_linear_subject.pdf

.gitignore

@@ -31,3 +31,7 @@ Thumbs.db
 *.tar.gz
 dist/
 build/
+
+# Ignorer les fichiers générés
+model.npy
+data/data.normalized.csv

Dokerfile

@@ -0,0 +1,14 @@
+# Utilisation d'une image Python officielle
+FROM python:3.12
+
+# Définition du répertoire de travail
+WORKDIR /app
+
+# Copier tous les fichiers du projet dans le conteneur
+COPY . /app
+
+# Installer les dépendances du projet
+RUN pip install --no-cache-dir -r requirements.txt
+
+# COMMANDE PAR défaut : Exécuter "main.py"
+CMD ["python", "main.py"]

data/data_normalized.csv

@@ -1,25 +0,0 @@
-km,price,km_norm,price_norm
-240000,3650,1.0,0.0
-139800,3800,0.5384636643774096,0.032327586206896554
-150500,4400,0.5877494806564687,0.16163793103448276
-185530,4450,0.7491029520822106,0.1724137931034483
-176000,5250,0.7052063325364692,0.3448275862068966
-114800,5350,0.4233098880244679,0.36637931034482757
-166800,5800,0.6628297428385866,0.46336206896551724
-89000,5990,0.30447119082823204,0.5043103448275862
-144500,5999,0.5601125743317626,0.50625
-84000,6200,0.2814404355576437,0.5495689655172413
-82029,6390,0.27236171182997776,0.5905172413793104
-63060,6390,0.18498763248441968,0.5905172413793104
-74000,6600,0.23537892501646698,0.6357758620689655
-97500,6800,0.3436234747882322,0.6788793103448276
-67000,6800,0.2031358676376433,0.6788793103448276
-76025,6900,0.24470638090105526,0.7004310344827587
-48235,6900,0.11670144310712526,0.7004310344827587
-93000,6990,0.32289579504470267,0.7198275862068966
-60949,7490,0.1752640476091773,0.8275862068965517
-65674,7555,0.1970281113398833,0.8415948275862069
-54000,7990,0.1432559039341136,0.9353448275862069
-68500,7990,0.2100450942188198,0.9353448275862069
-22899,7990,0.0,0.9353448275862069
-61789,8290,0.17913321449463615,1.0

main.py

@@ -9,15 +9,15 @@ from src.prediction import predict_price  # ✅ Peut maintenant être importé d
 from src.gui import show_gui  # ✅ Import propre et structuré
 
 def main():
-    print("📌 Bienvenue dans le modèle de prédiction de prix de voiture !")
+    print("Bienvenue dans le modèle de prédiction de prix de voiture !")
     print("🔄 Le modèle va être entraîné...")
 
     # Entraîner le modèle
     train_model()
-    print("✅ Modèle entraîné avec succès !")
+    print("Modèle entraîné avec succès !")
 
     # Lancer l'interface graphique après l'entraînement
-    print("🖥️ Lancement de l'interface graphique...")
+    print("Lancement de l'interface graphique...")
     show_gui(predict_price)
 
 if __name__ == "__main__":

notes.txt

@@ -548,6 +548,40 @@ Implémentation de la fonction coût
                 tmpθ₁ = learningRate × (1 / m) ∑ᵐ⁻¹ᵢ=₀ (estimatePrice(mileage[i]) − price[i]) x mileage[i]
                     En mathématique ces valeurs temporaires sont sous forme de dérivées
 
+- Calcul de l'évaluation du modèle
+ . Calcul de deux métriques de performance:
+    1. L'erreur quadratique moyenne (MSE - Mean Squared Error)
+    2. Le coefficient de détermination (R² _ R square score)
+    Ces deux valeurs évaluent à quel point notre modèle de régression linéaire est précision
+
+    1. Erruer quadratique Moyenne (MSE)
+        Formule:
+            MSE = (1/m)∑ᵐᵢ=1(yi - ^yi)²
+                . yi = valeur réelle du prix normalisé
+                . ^yi = Valeur prédite par notre modèle
+                . m = Nombre total de points de données
+
+                interprétation:
+                    . MSE proche de 0 fait très peu d'erreur
+                    . MSE élevé -> Le modèle prédit mal le prix
+                mse = np.mean((y - y_pred) ** 2)
+
+    2. Coefficient de détermination (R² Score)
+        Formule:
+            R² = 1 - (SSrsesidual / SStotal)
+        Avec:
+            . SStotal = Somme des carrés des différences entre les valeurs réelles et leur moyenne
+                SStotal = ∑(yi - -y)²
+                où -y est la moyenne de toutes les valeurs réelle
+            . SSresidual = Somme des carrés des erreurs entre les valeurs réelles et les perédictions
+                SSresidual = ∑(yi - ^yi)²
+            
+            interprétation de R²:
+             . R² = 1 -> Le modèle est parfait et explique 100% des variations de price_norm.
+             . R² = 0 -> Le modèle est inutile et ne fait pas mieux qu'une poyenne
+             . R² < 0 -> Le modèle est pire que de deviner la moyenne (cata!)
+
+
 
 
 

requirements.txt

@@ -0,0 +1,5 @@
+numpy
+pandas
+matplotlib
+seaborn
+tk

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