minor corrections

Author: GuyliannEngels

inst/tutorials/C00La_refresh/C00La_refresh.Rmd

@@ -4,7 +4,7 @@ author: "Guyliann Engels & Philippe Grosjean"
 description: "**SDD III** Rappel des cours SDD I et II et nouveautés svbox2022."
 tutorial:
   id: "C00La_refresh"
-version: 2.0.2/14
+version: 2.0.1/14
 output:
   learnr::tutorial:
   progressive: true

inst/tutorials/C02La_cv/C02La_cv.Rmd

@@ -14,10 +14,7 @@ runtime: shiny_prerendered
 
 ```{r setup, include=FALSE}
 BioDataScience3::learnr_setup()
-SciViews::R()
-library(mlearning)
-library(exploreit)
-library(rsample)
+SciViews::R("explore", "ml", lang = "fr")
 
 # Import dataset ----
 rice <- read("rice", package = "BioDataScience3", lang = "fr")
@@ -60,7 +57,7 @@ L'objectif de ce tutoriel est de comprendre la validation croisée et de l'appli
 Les données employées dans cette séance d'exercice sont associées à l'article : ["Classification of Rice Varieties Using Artificial Intelligence Methods"](https://doi.org/10.18201/ijisae.2019355381). N'hésitez pas à consulter cet article pour en apprendre davantage sur ces données.
 
 ```{r, echo=TRUE}
-rice <- read("rice", package = "BioDataScience3", lang = "fr")
+rice <- read("rice", package = "BioDataScience3")
 ```
 
 Le tableau `rice` comprend `r nrow(rice)` observations. Deux espèces de riz sont étudiées : `Cammeo` et `Osmancik`. Sur base d'analyse d'image, sept variables morphologiques sont extraites comme le périmètre, l'aire ou encore la longueur de l'axe majeur.
@@ -103,7 +100,7 @@ L'exploration des données a été réalisée pour vous. Avant de passer à la s
 Utilisez les fonctions `initial_split()`, `training()` et `testing()` du package `rsamples` afin de définir votre set d'apprentissage et votre set de test. Votre set d'apprentissage se nomme `rice_train` et votre set de test se nomme `rice_test`. Il vous est demandé de réaliser un set d'entrainement contenant 0.8 des observations. Cet échantillonnage doit être stratifié grâce à la variable `class`.
 
 ```{r rice_split_h2, exercise = TRUE}
-set.seed(888) # Fixer le début du générateur de nombres pseudo-aléatoires
+set.seed(8888) # Fixer le début du générateur de nombres pseudo-aléatoires
 rice_split <- initial_split(___, prop = ___, strata = ___)
 rice_split
 # Diviser le tableau
@@ -141,7 +138,7 @@ grade_code("Parfait ! Vous avez réalisez votre set d'apprentissage et votre set
 
 Il vous est demandé de réaliser un classifieur utilisant l'analyse discriminante linéaire. C'est à vous de définir le tableau de données à employer entre `rice`, `rice_train` et `rice_test`.
 
-Entrainez un modèle de type discriminant linéaire avec le set d'apprentissage. Votre objectif est de prédire la variable `class` à l'aide des sept variable. Assignez le classifieur n'utilisant pas la validation croisée à `rice_lda` et assignez le classifieur utilisant la validation croisée à rice_cv_lda.
+Entrainez un modèle de type analyse discriminant linéaire avec le set d'apprentissage. Votre objectif est de prédire la variable `class` à l'aide des sept variable. Assignez le classifieur n'utilisant pas la validation croisée à `rice_lda` et assignez le classifieur utilisant la validation croisée à rice_cv_lda.
 
 ```{r lda_h2, exercise = TRUE}
 set.seed(8888)
@@ -170,7 +167,7 @@ grade_code("Votre LDA est entrainé. Il faut encore mesuré ces performances.",
 
 *La formule doit être écrite sous sa forme condensée*
 
-### Analyse discriminante linéaire avec validation croisée
+Réalisez à présent votre modèle en utilisant la validation croisée.
 
 ```{r lda_cv_h2, exercise = TRUE}
 set.seed(8888)
@@ -234,7 +231,7 @@ summary(rice_conf)
 ```
 
 ```{r pred_lda_h2-check}
-grade_code("Vous venez les analyses des performances du premier classifieur. Prenez un peu de temps pour analyser votre matrice de confusion et les métriques qui en découlent.")
+grade_code("Vous venez de calculer les métriques de performances du premier classifieur. Prenez un peu de temps pour analyser votre matrice de confusion et les métriques qui en découlent.")
 ```
 
 Évaluez les performances du second classifieur `rice_lda_cv` à l'aide d'une validation croisée dix fois.