Skip to content

Latest commit

 

History

History
88 lines (59 loc) · 2.41 KB

README.md

File metadata and controls

88 lines (59 loc) · 2.41 KB
Raw

Projet réalisé par Adil YADA

StackOverflow est un site de question-réponses liées au développement informatique. Pour poser une question sur ce site, il faut entrer plusieurs tags de manière à retrouver facilement la question par la suite.
L’objectif du projet que nous devons réaliser est de prédire les tags associés à une question posée par un utilisateur de la plateforme.

  1. Notebooks
  • "PROJET 6_Entrainement et Prédictions.ipynb"
  • "PROJET 6_Exploration et Pipeline.ipynb"
  1. Scripts python

  • Fichier pipeline.py --> à exécuter pour construire pipeline et fichiers de sauvegardes nécessaires pour le training et la prédiction

  • Fichier modules.py --> Fichier contenant les modules qui permettent l'exécution des autres scripts

  • Fichier training_testing.py --> à exécuter pour lancer un entrainement et tester notre modèle

  • Fichier predictions.py --> On teste notre modèle avec de nouvelles données utilisateur

  1. Répertoires

  • classifiers/logistical_regression --> Contient les classifieurs suivant modèle de régression logistique au format .pkl

  • classifiers/naive_bayes --> Contient les classifieurs suivant modèle naive Bayes au format .pkl

  • classifiers/random_forest --> Contient les classifieurs suivant modèle de Random Forest au format .pkl

  • data --> Contient les données initiales au format .csv

  • pipeline --> Contient les élément nécessaire pour entrainer le modèle

  • resources --> Contient la liste des stopwords

  • output --> Fichiers .csv en sortie

  • scripts --> Scripts au format .py

  • notebooks --> Emplacement des notebooks

  1. Packages à installer
  • pandas
  • numpy
  • scikit-learn
  • nltk
  • pyLDAvis
  • mglearn
  • seaborn
  • matplotlib
  • bs4 (beautifulsoup)
  1. Site (API)
  1. Lien vers projet Github
  1. Procédure d'éxecution des scripts (se trouvant dans le répertoire "scripts")

  • Exécuter le fichier pipeline.py tout d'abord pour créer le jeu de données/test pour l'entrainement.

  • Exécuter le fichier training_testing.py pour entrainer notre modèle avec notre jeu d'entrainement et le tester avec notre jeu de test.

  • Exécuter le fichier predictions.py avec comme argument le fichier "InputQuestions.csv" qui se trouve dans le répertoire "data". Il n'est pas nécessaire d'ajouter le lien complet pour accéder au fichier "InputQuestions.csv"