ajout tim

IML/TP8-SVM/TP8_IML.m~

-%% TP7 
-% Ensemble de points aleatoires 
-
-randn('state', 1200)
-
-% G?n?ration des donn?es
-vmu1 = [0; 0];
-vmu2 = [5; 5];
-vSIGMA1 = [1 0.5; 0.5 4];
-vSIGMA2 = [1 0.5; 0.5 4];
-
-
-n1 = 100; % nombre de points classe 1
-n2 = 150; % nombre de points classe 2
-
-% generation de donnees aleatoires suivant lois gaussiennes
-% classe 0
-X1 =  mvnrnd(vmu1, vSIGMA1,n1);   
-Y1 = -ones(n1, 1); %on met _1 
-% classe 1
-X2 =  mvnrnd(vmu2, vSIGMA2,n2);    
-Y2 = ones(n2, 1);
-
-
-figure, plot(X1(:,1), X1(:,2), 'ro', 'markersize', 8, 'markerfacecolor', 'r')
-hold on
-plot(X2(:,1), X2(:,2), 'bv', 'markersize', 8, 'markerfacecolor', 'b')
-
-
-% Dans la suite on ne travaillera qu'avec X et Y
-% matrice des donn?es
-X = [X1; X2]; clear X1 X2
-
-% vecteur des labels
-Y = [Y1; Y2]; clear Y1 Y2
-%%
-%%n=length(Y);
-%%C=ones(n,1);
-%----------------
-% ratio = 1/3;
-% [xapp, yapp, xtest, ytest] = splitdata(X, Y, ratio);
-% ratio = 1/2;
-% [xapp, yapp, xval, yval] = splitdata(xapp, yapp, ratio);
-
-%-----------------
-
-
-C=200
-[w,b]=monsvmclass(X,Y,C);
-
-ypred=monsvmval(X,w,b);
-%%
-% bout de code pour tracer la fronti?re de d?cision d'un SVM lin?aire 
-% f(x) = w'*x = B
-% W est le vecteur de param?tres du mod?le et b le terme de biais
-
-figure(1)
-N = 200;
-[aux1,aux2]=meshgrid(linspace(-5,5,N));
-aux=[reshape(aux1,N*N,1) reshape(aux2,N*N,1)];
-fx = aux*w + b;
-figure(1), hold on
-% trace la frontiere de d?cision f(x) = 0 et la marge f(x)=1 et f(x)=-1
-[c,h]=contour(aux1,aux2,reshape(fx, N,N), [-1 0 1], 'g', 'Linewidth',2);
-clabel(c,h);
-
-%%
-vectC=logspace(-2,2,9)
-N = 200;
-[aux1,aux2]=meshgrid(linspace(-5,5,N));
-aux=[reshape(aux1,N*N,1) reshape(aux2,N*N,1)];
-for i=1:1:length(vectC)
-
-    [w,b]=monsvmclass(X,Y,vectC(i));
-    fx = aux*w + b;
-    figure(1), subplot(3,3,i)
-    %trace pt apprentissage
-    plot(X(Y==-1,1),X(Y==-1,2),'sb','markersize',8,'markerfacecolor','b')
-    hold on
-    plot(X(Y==1,1),X(Y==1,2),'sb','markersize',8,'markerfacecolor','r')
-    % trace la frontiere de d?cision f(x) = 0 et la marge f(x)=1 et f(x)=-1
-    [c,h]=contour(aux1,aux2,reshape(fx, N,N), [-1 0 1], 'g', 'Linewidth',2);
-    clabel(c,h);
-end
-
-%% 2 Reconnaissance de Chiffres Manuscrits
-
-load("uspsasi.mat")
-
-% classe 1
-ch1=2;
-ind1=find(y==ch1);
-n1=length(ind1);
-X1=x(ind1,:);
-Y1=ones(n1,1);
-
-% classe 2
-ch2=8;
-ind2=find(y==ch2);
-n2=length(ind2);
-X2=x(ind2,:);
-Y2=ones(n2,1);
-
-%on met tout de bout en bout 
-X=[X1;X2];
-Y=[Y1;Y2];
-
-% %solution cvx du dual
-% K=X*X';
-% H=K.*(Y*Y');
-% n=size(H,1);
-% e=ones(n,1);
-% C=10;
-% verbose=0;
-% chouia= 1e-8;
-% [petitalpha, bqp, pos]=monqp(H,e,Y,0,C,chouia,verbose);
-% alphaqp=zeros(n,1);
-% alphaqp(pos)=petitalpha;
-% 
-% %calcul de w a partir des alphas 
-% 
-% d=size(X,2);
-% wqp=zeros(d,1);
-% 
-% 
-
-C=200
-[w,b]=monsvmclass(X,Y,C);
-
-ypred=monsvmval(X,w,b);
-
-
-
-
-
-
-
-
-
-

IML/TP9-selection_de_modele/SepareDataNfoldCV.m~

-
-function [xapp, yapp, xtest, ytest, indices] = SepareDataNfoldCV(x, y, Nfold, NumFold);
-%% Generer les donnees app et test pour Nfold-CV
-%% Valable pour N classes
-%% x : donnees
-%% y : labels
-%% Nfold : nombre de decoupage
-%% NumFold : num�ro de la portion � prendre pour les donn�es de test
-%% G2 - F�vrier 2006
-
-if NumFold > Nfold
-    error('Num Portion sup � Nfold')
-end
-
-classcode = unique(y);
-Nbclasse = length(classcode);
-
-IndApp = [];
-IndTest = [];
-for i=1:Nbclasse
-    Indclass_i = find(y==classcode(i));
-    N_i = length(Indclass_i);
-    LongPortion_i = round(N_i/Nfold); %% longueur de chaque portion
-    IndTestClass_i = Indclass_i( LongPortion_i*(NumFold-1) + 1 : min(LongPortion_i*NumFold, N_i) );
-    IndTest = [IndTest; IndTestClass_i];
-    IndAppClass_i = setdiff(Indclass_i, IndTestClass_i);
-    IndApp = [IndApp; IndAppClass_i];
-end
-xapp  = x(IndApp, :);   yapp = y(IndApp);
-xtest = x(IndTest, :);  ytest = y(IndTest);
-indices.app = IndApp;
-indices.test = IndTest;

IML/TP9-selection_de_modele/TP9_IML.m

@@ -11,7 +11,7 @@ y1=-ones(n1,1);
 x1=data_letter(ind1,:);
 
 %cluster 2 
-lettre2=find(alphabet=='g');; %lettre g
+lettre2=find(alphabet=='g'); %lettre g
 ind2=find(label_letter==lettre2);
 n2=length(ind2);
 y2=ones(n2,1);
@@ -21,7 +21,7 @@ X=[x1;x2];
 Y=[y1;y2];
 %% validation croise
 [xapp, yapp, xtest, ytest] = splitdata(X, Y, 3/4);
-[xapp,xtest,meanxapp,stdxapp] = normalizemeanstd(xapp,xtest);
+[xapp,xtest,meanxapp,stdxapp] = normalizemeanstd(xapp,xtest);%a mettre dans la boucle car on utilise des bouts de stats qu'on ne devrait pas 
 %[xapp, yapp, xval, yval] = splitdata(xapp, yapp, 2/3);
 K=3 %nombre d'ensembles 
 meilleur_C=zeros(K,1)
@@ -80,4 +80,12 @@ FN=numel(find(ypred(ind_moins1)~=ytest(ind_moins1)))
 
 confusionmat(ytest,ypred) 
 
+%% Courbe d'intervale de confiance
+load('letter_test.mat');
+%%
+
+%[xapp, yapp, xtest, ytest] = splitdata(X, Y, 3/4);
+xapp=X;
+yapp=Y;
+
 

IML/TP9-selection_de_modele/TP9_IML.m~

@@ -20,8 +20,15 @@ x2=data_letter(ind2,:);
 X=[x1;x2];
 Y=[y1;y2];
 %% validation croise
-[xapp, yapp, xtest, ytest] = splitdata(X, Y, 3/4);
-[xapp,xtest,meanxapp,stdxapp] = normalizemeanstd(xapp,xtest);
+load('letter_test.mat');
+%%
+
+%[xapp, yapp, xtest, ytest] = splitdata(X, Y, 3/4);
+xapp=X;
+yapp=Y;
+
+
+[xapp,xtest,meanxapp,stdxapp] = normalizemeanstd(xapp,xtest);%a mettre dans la boucle car on utilise des bouts de stats qu'on ne devrait pas 
 %[xapp, yapp, xval, yval] = splitdata(xapp, yapp, 2/3);
 K=3 %nombre d'ensembles 
 meilleur_C=zeros(K,1)
@@ -80,4 +87,6 @@ FN=numel(find(ypred(ind_moins1)~=ytest(ind_moins1)))
 
 confusionmat(ytest,ypred) 
 
+%% Courbe d'intervale de confiance
+
 

python_webies/vehicules/garage/tests.py

 from django.test import TestCase
+from django.test import Client
+from django.urls import reverse
+from django.contrib.auth.models import User
+from django.core import mail
 
+class URLAnonymeTest(TestCase):
+    def test_index(self):
+        response=self.client.get('/')
+        self.assertEqual(response.status_code,200)
+
+    def test_login(self):
+        response=self.client.get(reverse('login'))
+        self.assertEqual(response.status_code,200)
+        uri=reverse('garage:vehicule-list')
+        response=self.client.get(uri)
+        self.assertRedirects(response,'/accounts/login/?next=/vehicule/')
+
+    def test_logout(self):
+        response=self.client.get(reverse('logout'))
+        self.assertEqual(response.status_code,200)
+        uri=reverse('garage:vehicule-list')
+        response=self.client.get(uri)
+        self.assertRedirects(response,'/')
 # Create your tests here.