modifications des tp, exercices, ajouts d'indications en JS, d'exemples en gloutons, 3 semaines de boulot enfin voilà

knn/IMPLEMENTATION.md

@@ -48,7 +48,7 @@ import matplotlib.pyplot as plt
 # Supposons que ces listes contiennent les statistiques d'attaque et de défense de quelques Pokémon
 attaques = [55, 75, 150, 45]
 defenses = [45, 60, 50, 65]
-noms = ['Pikachu', 'Bulbasaur', 'Charizard', 'Squirtle']
+noms = ['Pikachu', 'Bulbizarre', 'Salameche', 'Carapuce']
 
 plt.figure(figsize=(10, 5)) # Définit la taille de la figure
 plt.scatter(attaques, defenses, color='red') # Crée un nuage de points avec les statistiques d'attaque et de défense
@@ -70,6 +70,130 @@ Ce code génère un graphique en nuage de points où chaque point représente un
 
 --------
 
+### Implémentation de l'algorithme KNN
+
+Maintenant que nous savons visualiser nos données, passons à l'implémentation de l'algorithme.
+
+#### Étape 1 : Calculer la distance entre deux points
+
+```python
+import math
+
+def calculer_distance(point1, point2):
+    """
+    Calcule la distance euclidienne entre deux points.
+    point1 et point2 sont des listes de coordonnées [x, y]
+    """
+    somme = 0
+    for i in range(len(point1)):
+        somme += (point1[i] - point2[i]) ** 2
+    return math.sqrt(somme)
+
+# Test
+print(calculer_distance([0, 0], [3, 4]))  # Affiche 5.0
+```
+
+#### Étape 2 : Trouver les k plus proches voisins
+
+```python
+def trouver_voisins(echantillons, mystere, k):
+    """
+    Trouve les k plus proches voisins de mystere dans echantillons.
+
+    Paramètres:
+        echantillons : liste de dictionnaires {'coords': [x, y], 'classe': 'Type'}
+        mystere : liste [x, y] du point à classifier
+        k : nombre de voisins à retourner
+
+    Retourne:
+        Liste des k plus proches voisins
+    """
+    # Calculer la distance pour chaque échantillon
+    distances = []
+    for echantillon in echantillons:
+        dist = calculer_distance(echantillon['coords'], mystere)
+        distances.append({'echantillon': echantillon, 'distance': dist})
+
+    # Trier par distance croissante
+    distances_triees = sorted(distances, key=lambda x: x['distance'])
+
+    # Retourner les k premiers
+    return [d['echantillon'] for d in distances_triees[:k]]
+```
+
+#### Étape 3 : Déterminer la classe majoritaire
+
+```python
+def classe_majoritaire(voisins):
+    """
+    Détermine la classe la plus représentée parmi les voisins.
+
+    Paramètres:
+        voisins : liste de dictionnaires avec une clé 'classe'
+
+    Retourne:
+        La classe majoritaire (str)
+    """
+    compteur = {}
+    for voisin in voisins:
+        classe = voisin['classe']
+        if classe in compteur:
+            compteur[classe] += 1
+        else:
+            compteur[classe] = 1
+
+    # Trouver la classe avec le plus grand nombre
+    classe_max = None
+    max_count = 0
+    for classe, count in compteur.items():
+        if count > max_count:
+            max_count = count
+            classe_max = classe
+
+    return classe_max
+```
+
+#### Étape 4 : L'algorithme KNN complet
+
+```python
+def knn(echantillons, mystere, k):
+    """
+    Algorithme des k plus proches voisins.
+
+    Paramètres:
+        echantillons : liste de dictionnaires {'coords': [x, y], 'classe': 'Type'}
+        mystere : liste [x, y] du point à classifier
+        k : nombre de voisins à considérer
+
+    Retourne:
+        La classe prédite pour mystere
+    """
+    voisins = trouver_voisins(echantillons, mystere, k)
+    return classe_majoritaire(voisins)
+```
+
+#### Exemple complet
+
+```python
+# Échantillon de Pokémon
+pokemons = [
+    {'coords': [49, 49], 'classe': 'Eau'},    # Ecayon
+    {'coords': [50, 95], 'classe': 'Psy'},    # Deoxys
+    {'coords': [80, 45], 'classe': 'Psy'},    # Eoko
+    {'coords': [90, 75], 'classe': 'Psy'},    # Groret
+    {'coords': [90, 75], 'classe': 'Eau'},    # Tarpaud
+]
+
+# Pokémon mystère à classifier
+pokemon_mystere = [65, 40]
+
+# Prédiction avec k=3
+prediction = knn(pokemons, pokemon_mystere, k=3)
+print(f"Le Pokémon mystère est probablement de type : {prediction}")
+```
+
+--------
+
 Auteur : Florian Mathieu
 
 Licence CC BY NC