Wafo007/Habilabilite-Dschang-ML

Un data warehouse pour les zone habitable dans la ville de dschang entrainer sur un jeu de donnees grace au machine learning # 🏙️ Projet ML — Habitabilité des Zones de Dschang (Cameroun) > **Projet de fin d'études · M1 Informatique · Université de Dschang** > Classification supervisée : Decision Tree vs Random Forest --- ## 📋 Présentation Ce projet implémente un **pipeline complet de Machine Learning** pour classifier l'habitabilité des 30 quartiers de la ville de Dschang en 4 catégories : | Classe | Description | |---|---| | 🟢 Très habitable | Zone sûre, infrastructure complète, faibles risques | | 🔵 Habitable | Zone acceptable avec quelques précautions | | 🟠 Moyennement habitable | Risques modérés, aménagements nécessaires | | 🔴 Non habitable | Risques majeurs — zone déconseillée | --- ## 📁 Structure du projet ``` ml_habitabilite_dschang/ │ ├── data/ │ └── export_habitabilite_final_dschang_classe.csv ← Dataset source │ ├── models/ ← Créé automatiquement par main.py │ ├── best_model.joblib ← Meilleur modèle sélectionné │ ├── decision_tree.joblib ← Decision Tree entraîné │ ├── random_forest.joblib ← Random Forest entraîné │ ├── label_encoder.joblib ← Encodeur des classes (LabelEncoder) │ ├── feature_names.joblib ← Liste des features utilisées │ └── model_metadata.json ← Métriques et paramètres (JSON) │ ├── reports/ ← Créé automatiquement par main.py │ └── figures/ │ ├── class_distribution.png │ ├── confusion_matrix_decision_tree.png │ ├── confusion_matrix_random_forest.png │ ├── roc_curves_decision_tree.png │ ├── roc_curves_random_forest.png │ ├── feature_importance_decision_tree.png │ ├── feature_importance_random_forest.png │ └── model_comparison.png │ ├── src/ │ ├── __init__.py │ ├── config.py ← Constantes, chemins, hyperparamètres │ ├── preprocessing.py ← Chargement, audit, nettoyage, encodage │ ├── training.py ← Entraînement DT (GridSearchCV) + RF (RandomizedSearchCV) │ └── evaluation …