model rn

ml_rn.py

 import numpy as np
 import pandas as pd
+import time
 from sklearn.model_selection import train_test_split, GridSearchCV
-from sklearn.preprocessing import StandardScaler
+from sklearn.preprocessing import MinMaxScaler
 from sklearn.metrics import mean_absolute_error, mean_squared_error, r2_score
-import time
 from sklearn.neural_network import MLPRegressor
 
 def load_and_describe_data(file_path):
     """
-    Charge un fichier CSV.
-    :param file_path: Chemin du fichier CSV
-    :return: DataFrame Pandas
+    Charge un fichier CSV et affiche les informations de base.
     """
     df = pd.read_csv(file_path)
-
-
-    return df
-
-df = load_and_describe_data('data_sup_0popularity.csv')
     print(df.info())
+    return df
 
 def train_mlp(df):
-     # 1. Séparation des features et de la cible
+    start_time = time.time()  # ⏳ Timer
+
+    # 1️⃣ Séparation des features et de la cible
     X = df.drop(columns=["popularity", "id", "artists", "name", "release_date", "date_sortie", "duration_ms", "nom_artiste"])
-    y = df['popularity']
+    y = df["popularity"]
 
-    # 2. Séparation train/test
+    # 2️⃣ Split train/test
     X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
 
-    # 3. Normalisation des features
-    scaler = StandardScaler()
+    # 3️⃣ Normalisation des features
+    scaler = MinMaxScaler()
     X_train_scaled = scaler.fit_transform(X_train)
     X_test_scaled = scaler.transform(X_test)
 
-    # 4. Définition des hyperparamètres à tester
+    # 4️⃣ Définition des hyperparamètres
     param_grid = {
-        'hidden_layer_sizes': [(50,), (100,), (100, 50), (100, 100)],
-        'activation': ['relu', 'tanh'],
-        'solver': ['adam', 'sgd'],
-        'learning_rate_init': [0.001, 0.01, 0.1],
-        'max_iter': [500]
+        "hidden_layer_sizes": [(50,), (100,), (100, 50), (100, 100)],
+        "activation": ["relu", "tanh"],
+        "solver": ["adam", "sgd"],
+        "learning_rate_init": [0.001, 0.01, 0.1],
+        "max_iter": [500],
+        "early_stopping": [True]  # Arrête si la validation ne s'améliore pas
     }
 
-    # 5. Recherche des meilleurs hyperparamètres avec GridSearchCV
+    # 5️⃣ Recherche des meilleurs hyperparamètres
     mlp = MLPRegressor(random_state=42)
-    grid_search = GridSearchCV(mlp, param_grid, cv=3, scoring='r2', verbose=2)
+    grid_search = GridSearchCV(mlp, param_grid, cv=3, scoring="r2", verbose=2)
     grid_search.fit(X_train_scaled, y_train)
 
-    # 6. Affichage des meilleurs paramètres
-    print("Meilleurs paramètres :", grid_search.best_params_)
+    # 6️⃣ Affichage des meilleurs paramètres
+    best_params = grid_search.best_params_
+    print("\n✅ Meilleurs paramètres :", best_params)
 
-    # 7. Prédictions avec le meilleur modèle
+    # 7️⃣ Prédiction avec le meilleur modèle
     best_mlp = grid_search.best_estimator_
     y_pred = best_mlp.predict(X_test_scaled)
 
-    # 8. Évaluation du modèle
+    # 8️⃣ Évaluation du modèle
     mae = mean_absolute_error(y_test, y_pred)
     rmse = np.sqrt(mean_squared_error(y_test, y_pred))
     r2 = r2_score(y_test, y_pred)
 
-    print(f"📊 MLPRegressor Optimisé - MAE: {mae:.2f}, RMSE: {rmse:.2f}, R²: {r2:.3f}")
+    print(f"\n📊 MLPRegressor - MAE: {mae:.2f}, RMSE: {rmse:.2f}, R²: {r2:.3f}")
+
+    # 9️⃣ Ajout des prédictions au DataFrame
+    df.loc[X_test.index, "pred_mlp"] = y_pred
 
-    # 9. Ajout des prédictions au DataFrame original
-    df.loc[X_test.index, 'pred_mlp'] = y_pred
-    print(df.head(40))
+    # ⏳ Temps d'exécution
+    elapsed_time = time.time() - start_time
+    print(f"\n⏱️ Temps d'exécution : {elapsed_time:.2f} secondes")
 
     return df
 
-train_mlp(df)
+# 📂 Chargement et entraînement
+df = load_and_describe_data("data_sup_0popularity.csv")
+df = train_mlp(df)