Final Assignement SORO Nangounon Mohamed

numpy_questions.py

@@ -18,7 +18,7 @@
 import numpy as np
 
 
-def max_index(X):
+def max_index(X: np.ndarray) -> tuple:
     """Return the index of the maximum in a numpy array.
 
     Parameters
@@ -37,12 +37,24 @@ def max_index(X):
         If the input is not a numpy array or
         if the shape is not 2D.
     """
-    i = 0
-    j = 0
+    # 1. Contrôle du type d'entrée (Doit être un np.ndarray)
+    if not isinstance(X, np.ndarray):
+        raise ValueError(
+            f"""L'entrée doit être un np.ndarray, mais le type
+                         {type(X)} a été reçu.""")
 
-    # TODO
-
-    return i, j
+    # 2. Contrôle des dimensions (Doit être 2D)
+    if X.ndim != 2:
+        raise ValueError(
+            f"""Le tableau doit être 2D pour cette fonction (il a
+                         {X.ndim} dimensions).""")
+    # 3. Recherche de l'indice du maximum
+    for i in range(X.shape[0]):
+        for j in range(X.shape[1]):
+            if X[i, j] == np.max(X):
+                return (i, j)
+    # La fonction retourne la première occurrence du maximum en parcourant les
+    # lignes puis les colonnnes.
 
 
 def wallis_product(n_terms):
@@ -62,6 +74,28 @@ def wallis_product(n_terms):
     pi : float
         The approximation of order `n_terms` of pi using the Wallis product.
     """
-    # XXX : The n_terms is an int that corresponds to the number of
-    # terms in the product. For example 10000.
-    return 0.
+    if not isinstance(n_terms, int):
+        raise ValueError(
+            f"""Le paramètre doit être un entier,
+            (il est du type{type(n_terms)}""")
+    if n_terms < 1:
+        return 1.0
+
+    product = 1.0
+
+    # Itère de k=1 à n_terms (inclus)
+    for k in range(1, n_terms + 1):
+        # Calcule le numérateur (2k) et les dénominateurs (2k-1, 2k+1)
+        # On utilise des flottants (2.0 * k) pour garantir une division
+        # flottante
+        numerator = 2.0 * k
+        denominator1 = numerator - 1.0
+        denominator2 = numerator + 1.0
+
+        # Le terme d'ordre k est (2k / (2k - 1)) * (2k / (2k + 1))
+        term = (numerator / denominator1) * (numerator / denominator2)
+
+        product *= term
+    # Le produit final est multiplié par 2 pour obtenir
+    # l'approximation de pi vu que l'intégrale donne pi/2.
+    return 2.0 * product

sklearn_questions.py

@@ -16,7 +16,8 @@
 calling `flake8` at the root of the repo.
 
 Finally, you need to write docstring similar to the one in `numpy_questions`
-for the methods you code and for the class. The docstring will be checked using
+for the methods you code and for the class. The docstring will be checked
+using
 `pydocstyle` that you can also call at the root of the repo.
 """
 import numpy as np
@@ -29,46 +30,99 @@
 
 
 class OneNearestNeighbor(BaseEstimator, ClassifierMixin):
-    "OneNearestNeighbor classifier."
+    """OneNearestNeighbor classifier."""
 
     def __init__(self):  # noqa: D107
         pass
 
     def fit(self, X, y):
-        """Write docstring.
-
-        And describe parameters
+        """Le but du fit est juste de stocker les données d'entraînement.
+
+        Parameters
+        ----------
+        X : array, shape (n_samples, n_features)
+            Les échantillons d'entraînement.
+        y : array, shape (n_samples,)
+            Les étiquettes cibles des échantillons d'entraînement.
+
+        Returns
+        -------
+        self : object
+            L'estimateur entraîné (c'est à dire contenant les données
+            d'entraînement).
         """
         X, y = check_X_y(X, y)
         check_classification_targets(y)
         self.classes_ = np.unique(y)
         self.n_features_in_ = X.shape[1]
 
-        # XXX fix
+        # Rajout des données d'entraînement dans l'estimateur
+        self.X_train_ = X
+        self.y_train_ = y
+
+        # Marquer l'estimateur comme "entraîné"
+        self.is_fitted_ = True
+
         return self
 
     def predict(self, X):
-        """Write docstring.
+        """Le but de la méthode predict est de prédire les étiquettes.
 
-        And describe parameters
+        Pour les chantillons de test X en utilisant les données d'entraînement
+        qui ont précédemment été stockées dans l'estimateur lors de
+        l'appel à fit.
+
+        Parameters
+        ----------
+        X : array-like, shape (n_samples, n_features)
+            Les échantillons de test pour lesquels prédire les étiquettes.
+
+        Returns
+        -------
+        y_pred : ndarray, shape (n_samples,)
+            Les étiquettes de classe prédites pour chaque échantillon de test.
         """
+        # Vérification que l'estimateur a bien été entraîné
         check_is_fitted(self)
         X = check_array(X)
         y_pred = np.full(
             shape=len(X), fill_value=self.classes_[0],
             dtype=self.classes_.dtype
         )
 
-        # XXX fix
+        # Itération sur chaque échantillon de test
+        for i in range(X.shape[0]):
+            x_test = X[i, :]
+
+            # Calcul de la distance euclidienne entre x_test et tous
+            # les points
+            # d'entraînement (self.X_)
+
+            distances = np.sum((self.X_train_ - x_test)**2, axis=1)
+
+            # Trouver l'indice du point d'entraînement le plus proche
+            closest_index = np.argmin(distances)
+
+            # L'étiquette prédite est celle du voisin le plus proche
+            y_pred[i] = self.y_train_[closest_index]
+
         return y_pred
 
     def score(self, X, y):
-        """Write docstring.
-
-        And describe parameters
+        """Retourne le pourcentage d'étiquettes bien pédites (Accuracy).
+
+        Parameters
+        ----------
+        X : array, shape (n_samples, n_features)
+            Les échantillons de test.
+        y : array, shape (n_samples,)
+            Les étiquettes cibles vraies pour X.
+        Returns
+        -------
+        score : float
+            Le pourcentage d'étiquettes bien pédites.
         """
         X, y = check_X_y(X, y)
         y_pred = self.predict(X)
 
-        # XXX fix
-        return y_pred.sum()
+        return np.mean(y_pred == y)