diff --git a/DevEfficace/rapport.md b/DevEfficace/rapport.md
index 88110653b61e7e6f0c763359c635fd4c21e7f0a6..15aa3241e74fb9672f31ce03d95ab21da7165445 100644
--- a/DevEfficace/rapport.md
+++ b/DevEfficace/rapport.md
@@ -97,7 +97,7 @@ Pour obtenir le meilleur K, on appel la methode bestK(List<LoadableData> datas,
 
 En appliquant cette methode voici les resultats que nous avons obtenue avec:
 
-##### Iris
+### Iris
 
 
 
@@ -110,7 +110,9 @@ En appliquant cette methode voici les resultats que nous avons obtenue avec:
 
 On obtient donc un taux de reussiste plutôt élevé. A chaque fois l'algorithme choisit le K avec le plus haut taux de reussite. En cas d'égalité, il choisit le plus petit K parmis les égalités.
 
-##### Pokemon
+### Pokemon
+
+**Classification selon le type**
 
 | Distance \ K                    | 1     | 3   | 5 | 7 | 9 | 11 |  13 | 15 | 17 | 19 | 21  | K choisit |
 |---------------------------------|-------|-------|-------|-------|-------|-------|----|----|----|----|----|----|
@@ -123,7 +125,20 @@ On obtient donc un taux de reussiste plutôt élevé. A chaque fois l'algorithme
 Le taux de reussiste est ici plus bas, cela s'explique notement par le nombre d'attribut different et la complexité a identifier le type d'un pokemon. 
 Cependant le taux de reussiste reste satisfaisant et stable.
 
-Classification par isLegendary
+**Classification Legendaire ou Non Legendaire**
+
+
+
+| Distance \ K                    | 1     | 3   | 5 | 7 | 9 | 11 |  13 | 15 | 17 | 19 | 21  | K choisit |
+|---------------------------------|-------|-------|-------|-------|-------|-------|----|----|----|----|----|----|
+| Distance Euclidienne | 0.986 | 0.978 | 0.984 | 0.980 | 0.984 | 0.984 | 0.984 | 0.984 | 0.984 | 0.984 | 0.984 | 1 |
+| Distance Euclidienne Normalisée | 1.0 | 0.998 | 0.998 | 0.996 | 0.996 | 0.998 | 0.998 | 0.998 | 0.998 | 0.998 | 0.998 | 1 |
+| Distance Manhattan | 0.978 | 0.972 | 0.984 | 0.980 | 0.984 | 0.984 | 0.984 | 0.984 | 0.984 | 0.984 | 0.984 | 5 |
+| Distance Manhattan Normalisée | 0.980 | 0.984 | 0.988 | 0.984 | 0.984 | 0.986 | 0.986 | 0.986 | 0.986 | 0.986 | 0.984 | 5 |
+
+On a ici des résultats bien meilleurs. En effet, estimer si un Pokemon est legendaire ou non est bien plus simple qu'estimer son type, les attributs des pokemons legendaires sont bien différent des pokemons non-legendaire contrairement aux types, ou selon les types, les valeurs ne fluctuent pas autant
+
+---
 
 ## Efficacité
 
diff --git a/src/main/java/fr/univlille/sae/classification/knn/MethodKNN.java b/src/main/java/fr/univlille/sae/classification/knn/MethodKNN.java
index c27e2df513ced5ab0a53559accbdfc9317c5b0e5..0feaffea43ff15dae651a05252932b7788f5ef50 100644
--- a/src/main/java/fr/univlille/sae/classification/knn/MethodKNN.java
+++ b/src/main/java/fr/univlille/sae/classification/knn/MethodKNN.java
@@ -169,6 +169,9 @@ public class MethodKNN {
         MethodKNN.updateModel(model.getDatas());
         System.out.println();
 
+        // Permet de definir l'attribut sur lequel ont souhaite classifier:
+        LoadableData.setClassificationTypeGlobal(12);
+
         List<LoadableData> datas = ClassificationModel.getClassificationModel().getDatas();
         // On mélange les données pour tester sur differentes variétes car le fichier de base est trié.
         Collections.shuffle(datas);