Python deeper insights into machine learning

leverage benefits of machine learning techniques

using Python a course in three modules Hearty
download
https://textbookfull.com/product/python-deeper-insights-into-
machine-learning-leverage-benefits-of-machine-learning-
techniques-using-python-a-course-in-three-modules-hearty/

Download full version ebook from https://textbookfull.com

We believe these products will be a great fit for you. Click
the link to download now, or visit textbookfull.com
to discover even more!

Python Real World Machine Learning: Real World Machine

Learning: Take your Python Machine learning skills to
the next level 1st Edition Joshi

https://textbookfull.com/product/python-real-world-machine-
learning-real-world-machine-learning-take-your-python-machine-
learning-skills-to-the-next-level-1st-edition-joshi/

Advanced Data Analytics Using Python: With Machine

Learning, Deep Learning and NLP Examples Mukhopadhyay

https://textbookfull.com/product/advanced-data-analytics-using-
python-with-machine-learning-deep-learning-and-nlp-examples-
mukhopadhyay/

Practical Machine Learning for Data Analysis Using

Python 1st Edition Abdulhamit Subasi

https://textbookfull.com/product/practical-machine-learning-for-
data-analysis-using-python-1st-edition-abdulhamit-subasi/

Data Science and Machine Learning Interview Questions

Using Python Second Edition Vishwanathan Narayanan

https://textbookfull.com/product/data-science-and-machine-
learning-interview-questions-using-python-second-edition-
vishwanathan-narayanan/
Python for Probability Statistics and Machine Learning
José Unpingco

https://textbookfull.com/product/python-for-probability-
statistics-and-machine-learning-jose-unpingco/

Mastering Machine Learning with Python in Six Steps: A

Practical Implementation Guide to Predictive Data
Analytics Using Python 1st Edition Manohar Swamynathan
(Auth.)
https://textbookfull.com/product/mastering-machine-learning-with-
python-in-six-steps-a-practical-implementation-guide-to-
predictive-data-analytics-using-python-1st-edition-manohar-
swamynathan-auth/

Thoughtful machine learning with Python a test driven

approach First Edition Kirk

https://textbookfull.com/product/thoughtful-machine-learning-
with-python-a-test-driven-approach-first-edition-kirk/

Machine Learning Concepts with Python and the Jupyter

Notebook Environment: Using Tensorflow 2.0 Nikita
Silaparasetty

https://textbookfull.com/product/machine-learning-concepts-with-
python-and-the-jupyter-notebook-environment-using-
tensorflow-2-0-nikita-silaparasetty/

Statistical Methods for Machine Learning: Discover How

to Transform Data into Knowledge with Python Jason
Brownlee

https://textbookfull.com/product/statistical-methods-for-machine-
learning-discover-how-to-transform-data-into-knowledge-with-
python-jason-brownlee/
Python: Deeper Insights
into Machine Learning
Leverage benefits of machine learning techniques
using Python

</>

LEARNING PATH
Python: Deeper Insights into
Machine Learning

Leverage benefits of machine learning

techniques using Python

A course in three modules

BIRMINGHAM - MUMBAI
Python: Deeper Insights into Machine Learning

Copyright © 2016 Packt Publishing

All rights reserved. No part of this course may be reproduced, stored in a retrieval
system, or transmitted in any form or by any means, without the prior written
permission of the publisher, except in the case of brief quotations embedded in
critical articles or reviews.

Every effort has been made in the preparation of this course to ensure the accuracy
of the information presented. However, the information contained in this course
is sold without warranty, either express or implied. Neither the authors, nor Packt
Publishing, and its dealers and distributors will be held liable for any damages
caused or alleged to be caused directly or indirectly by this course.

Packt Publishing has endeavored to provide trademark information about all of the
companies and products mentioned in this course by the appropriate use of capitals.
However, Packt Publishing cannot guarantee the accuracy of this information.

Published on: August 2016

Published by Packt Publishing Ltd.

Livery Place
35 Livery Street
Birmingham B3 2PB, UK.

ISBN 978-1-78712-857-6

www.packtpub.com
 Credits

Authors Content Development Editor

Sebastian Raschka Amrita Noronha
David Julian
John Hearty Production Coordinator
Arvindkumar Gupta

Reviewers
Richard Dutton
Dave Julian
Vahid Mirjalili
Hamidreza Sattari
Dmytro Taranovsky
Dr. Vahid Mirjalili
Jared Huffman
Ashwin Pajankar
 Preface
Machine learning and predictive analytics are becoming one of the key strategies for
unlocking growth in a challenging contemporary marketplace .It is one of the fastest
growing trends in modern computing and everyone wants to get into the field of
machine learning. In order to obtain sufficient recognition in this field, one must be
able to understand and design a machine learning system that serves the needs of a
project. The idea is to prepare a Learning Path that will help you to tackle the real-
world complexities of modern machine learning with innovative and cutting-edge
techniques. Also, it will give you a solid foundation in the machine learning design
process, and enable you to build customized machine learning models to solve
unique problems

What this learning path covers

Module 1, Python Machine Learning, discusses the essential machine algorithms for
classification and provides practical examples using scikit-learn. It teaches you to
prepare variables of different types and also speaks about polynomial regression
and tree-based approaches. This module focuses on open source Python library that
allows us to utilize multiple cores of modern GPUs.

Module 2, Designing Machine Learning Systems with Python, acquaints you with large
library of packages for machine learning tasks. It introduces broad topics such
as big data, data properties, data sources, and data processing .You will further
explore models that form the foundation of many advanced nonlinear techniques.
This module will help you in understanding model selection and parameter tuning
techniques that could help in various case studies.

[i]
Preface

Module 3, Advanced Machine Learning with Python, helps you to build your skill
with deep architectures by using stacked denoising autoencoders. This module is a
blend of semi-supervised learning techniques, RBM and DBN algorithms .Further
this focuses on tools and techniques which will help in making consistent working
process.

What you need for this learning path

Module 1, Python Machine Learning will require an installation of Python 3.4.3 or
newer on Mac OS X, Linux or Microsoft Windows. Use of Python essential libraries
like SciPy, NumPy, scikit-Learn, matplotlib, and pandas. is essential.

Before you start, Please refer:

• The direct link to the Iris dataset would be: https://raw.

githubusercontent.com/rasbt/python-machine-learning-book/
master/code/datasets/iris/iris.data
• We've added some additional notes to the code notebooks mentioning the
offline datasets in case there are server errors. https://www.dropbox.com/
sh/tq2qdh0oqfgsktq/AADIt7esnbiWLOQODn5q_7Dta?dl=0
• Module 2, Designing Machine Learning Systems with Python, will need an
inclination to learn machine learning and the Python V3 software, which you
can download from https://www.python.org/downloads/.
• Module 3, Advanced Machine Learning with Python, leverages openly
available data and code, including open source Python libraries and
frameworks.

Who this learning path is for

This title is for Data scientist and researchers who are already into the field of
Data Science and want to see Machine learning in action and explore its real-world
application. Prior knowledge of Python programming and mathematics is must with
basic knowledge of machine learning concepts.

Reader feedback
Feedback from our readers is always welcome. Let us know what you think about
this course—what you liked or disliked. Reader feedback is important for us as it
helps us develop titles that you will really get the most out of.

[ ii ]
 Preface

To send us general feedback, simply e-mail [email protected], and mention

the course's title in the subject of your message.

If there is a topic that you have expertise in and you are interested in either writing
or contributing to a book, see our author guide at www.packtpub.com/authors.

Customer support
Now that you are the proud owner of a Packt course, we have a number of things to
help you to get the most from your purchase.

Downloading the example code

You can download the example code files for this course from your account at
http://www.packtpub.com. If you purchased this course elsewhere, you can visit
http://www.packtpub.com/support and register to have the files e-mailed directly
to you.

You can download the code files by following these steps:

1. Log in or register to our website using your e-mail address and password.
2. Hover the mouse pointer on the SUPPORT tab at the top.
3. Click on Code Downloads & Errata.
4. Enter the name of the course in the Search box.
5. Select the course for which you're looking to download the code files.
6. Choose from the drop-down menu where you purchased this course from.
7. Click on Code Download.

You can also download the code files by clicking on the Code Files button on the
course's webpage at the Packt Publishing website. This page can be accessed by
entering the course's name in the Search box. Please note that you need to be logged
in to your Packt account.

Once the file is downloaded, please make sure that you unzip or extract the folder
using the latest version of:

• WinRAR / 7-Zip for Windows

• Zipeg / iZip / UnRarX for Mac
• 7-Zip / PeaZip for Linux

[ iii ]
Preface

The code bundle for the course is also hosted on GitHub at https://github.com/
PacktPublishing/Python-Deeper-Insights-into-Machine-Learning.

Errata
Although we have taken every care to ensure the accuracy of our content, mistakes
do happen. If you find a mistake in one of our courses—maybe a mistake in the text
or the code—we would be grateful if you could report this to us. By doing so, you
can save other readers from frustration and help us improve subsequent versions
of this course. If you find any errata, please report them by visiting http://www.
packtpub.com/submit-errata, selecting your course, clicking on the Errata
Submission Form link, and entering the details of your errata. Once your errata are
verified, your submission will be accepted and the errata will be uploaded to our
website or added to any list of existing errata under the Errata section of that title.

To view the previously submitted errata, go to https://www.packtpub.com/books/

content/support and enter the name of the course in the search field. The required
information will appear under the Errata section.

Piracy
Piracy of copyrighted material on the Internet is an ongoing problem across all
media. At Packt, we take the protection of our copyright and licenses very seriously.
If you come across any illegal copies of our works in any form on the Internet, please
provide us with the location address or website name immediately so that we can
pursue a remedy.

Please contact us at [email protected] with a link to the suspected

pirated material.

We appreciate your help in protecting our authors and our ability to bring you
valuable content.

Questions
If you have a problem with any aspect of this course, you can contact us at
[email protected], and we will do our best to address the problem.

[ iv ]
Course Module 1: Python Machine Learning

Chapter 1: Giving Computers the Ability to Learn from Data 3

Building intelligent machines to transform data into knowledge 4
The three different types of machine learning 4
An introduction to the basic terminology and notations 10
A roadmap for building machine learning systems 12
Using Python for machine learning 15
Summary 17
Chapter 2: Training Machine Learning Algorithms
for Classification 19
Artificial neurons – a brief glimpse into the early history of
machine learning 20
Implementing a perceptron learning algorithm in Python 26
Adaptive linear neurons and the convergence of learning 35
Summary 49
Chapter 3: A Tour of Machine Learning Classifiers
Using Scikit-learn 51
Choosing a classification algorithm 51
First steps with scikit-learn 52
Modeling class probabilities via logistic regression 58
Maximum margin classification with support vector machines 71
Solving nonlinear problems using a kernel SVM 77
Decision tree learning 82

[i]
Table of Contents

K-nearest neighbors – a lazy learning algorithm 94

Summary 98
Chapter 4: Building Good Training Sets – Data Preprocessing 101
Dealing with missing data 101
Handling categorical data 106
Partitioning a dataset in training and test sets 110
Bringing features onto the same scale 112
Selecting meaningful features 114
Assessing feature importance with random forests 126
Summary 128
Chapter 5: Compressing Data via Dimensionality Reduction 129
Unsupervised dimensionality reduction via principal
component analysis 130
Supervised data compression via linear discriminant analysis 140
Using kernel principal component analysis for nonlinear mappings 150
Summary 169
Chapter 6: Learning Best Practices for Model Evaluation
and Hyperparameter Tuning 171
Streamlining workflows with pipelines 171
Using k-fold cross-validation to assess model performance 175
Debugging algorithms with learning and validation curves 181
Fine-tuning machine learning models via grid search 187
Looking at different performance evaluation metrics 191
Summary 200
Chapter 7: Combining Different Models for Ensemble Learning 201
Learning with ensembles 201
Implementing a simple majority vote classifier 205
Evaluating and tuning the ensemble classifier 215
Bagging – building an ensemble of classifiers from
bootstrap samples 221
Leveraging weak learners via adaptive boosting 226
Summary 234
Chapter 8: Applying Machine Learning to Sentiment Analysis 235
Obtaining the IMDb movie review dataset 235
Introducing the bag-of-words model 238
Training a logistic regression model for document classification 246
Working with bigger data – online algorithms and out-of-core learning 248
Summary 252

[ ii ]
 Table of Contents

Chapter 9: Embedding a Machine Learning Model into a

Web Application 253
Serializing fitted scikit-learn estimators 254
Setting up a SQLite database for data storage 257
Developing a web application with Flask 259
Turning the movie classifier into a web application 266
Deploying the web application to a public server 274
Summary 278
Chapter 10: Predicting Continuous Target Variables with
Regression Analysis 279
Introducing a simple linear regression model 280
Exploring the Housing Dataset 281
Implementing an ordinary least squares linear regression model 287
Fitting a robust regression model using RANSAC 293
Evaluating the performance of linear regression models 296
Using regularized methods for regression 299
Turning a linear regression model into a curve – polynomial
regression 300
Summary 311
Chapter 11: Working with Unlabeled Data – Clustering Analysis 313
Grouping objects by similarity using k-means 314
Organizing clusters as a hierarchical tree 328
Locating regions of high density via DBSCAN 336
Summary 342
Chapter 12: Training Artificial Neural Networks for
Image Recognition 343
Modeling complex functions with artificial neural networks 344
Classifying handwritten digits 352
Training an artificial neural network 367
Developing your intuition for backpropagation 374
Debugging neural networks with gradient checking 375
Convergence in neural networks 381
Other neural network architectures 383
A few last words about neural network implementation 386
Summary 387

[ iii ]
Table of Contents

Chapter 13: Parallelizing Neural Network Training with Theano 389

Building, compiling, and running expressions with Theano 390
Choosing activation functions for feedforward neural networks 403
Training neural networks efficiently using Keras 410
Summary 416

Course Module 2: Designing Machine Learning

Systems with Python

Chapter 1: Thinking in Machine Learning 421

The human interface 422
Design principles 425
Summary 453
Chapter 2: Tools and Techniques 455
Python for machine learning 456
IPython console 456
Installing the SciPy stack 457
NumPY 458
Matplotlib 464
Pandas 468
SciPy 471
Scikit-learn 474
Summary 481
Chapter 3: Turning Data into Information 483
What is data? 484
Big data 484
Signals 500
Cleaning data 502
Visualizing data 504
Summary 507
Chapter 4: Models – Learning from Information 509
Logical models 509
Tree models 517
Rule models 521
Summary 528

[ iv ]
 Table of Contents

Chapter 5: Linear Models 529

Introducing least squares 530
Logistic regression 538
Multiclass classification 544
Regularization 545
Summary 548
Chapter 6: Neural Networks 549
Getting started with neural networks 549
Logistic units 551
Cost function 556
Implementing a neural network 559
Gradient checking 565
Other neural net architectures 566
Summary 567
Chapter 7: Features – How Algorithms See the World 569
Feature types 570
Operations and statistics 571
Structured features 574
Transforming features 574
Principle component analysis 583
Summary 585
Chapter 8: Learning with Ensembles 587
Ensemble types 587
Bagging 588
Boosting 594
Ensemble strategies 601
Summary 604
Chapter 9: Design Strategies and Case Studies 605
Evaluating model performance 605
Model selection 610
Learning curves 613
Real-world case studies 615
Machine learning at a glance 626
Summary 627

[v]
Table of Contents

Course Module 3: Advanced Machine

Learning with Python

Chapter 1: Unsupervised Machine Learning 631

Principal component analysis 632
Introducing k-means clustering 637
Self-organizing maps 648
Further reading 654
Summary 655
Chapter 2: Deep Belief Networks 657
Neural networks – a primer 658
Restricted Boltzmann Machine 663
Deep belief networks 679
Further reading 685
Summary 686
Chapter 3: Stacked Denoising Autoencoders 687
Autoencoders 687
Stacked Denoising Autoencoders 696
Further reading 705
Summary 705
Chapter 4: Convolutional Neural Networks 707
Introducing the CNN 707
Further Reading 729
Summary 730
Chapter 5: Semi-Supervised Learning 731
Introduction 731
Understanding semi-supervised learning 732
Semi-supervised algorithms in action 733
Further reading 756
Summary 757
Chapter 6: Text Feature Engineering 759
Introduction 759
Text feature engineering 760
Further reading 783
Summary 784
Chapter 7: Feature Engineering Part II 785
Introduction 785
Creating a feature set 786

[ vi ]
 Table of Contents

Feature engineering in practice 805

Further reading 829
Summary 830
Chapter 8: Ensemble Methods 831
Introducing ensembles 832
Using models in dynamic applications 851
Further reading 863
Summary 864
Chapter 9: Additional Python Machine Learning Tools 865
Alternative development tools 866
Further reading 875
Summary 875
Chapter 10: Chapter Code Requirements 879
Biblography 881

[ vii ]
 Module 1

Python Machine Learning

Leverage benefits of machine learning techniques using Python

 Giving Computers the Ability
to Learn from Data
In my opinion, machine learning, the application and science of algorithms that makes
sense of data, is the most exciting field of all the computer sciences! We are living in
an age where data comes in abundance; using the self-learning algorithms from the
field of machine learning, we can turn this data into knowledge. Thanks to the many
powerful open source libraries that have been developed in recent years, there has
probably never been a better time to break into the machine learning field and learn
how to utilize powerful algorithms to spot patterns in data and make predictions
about future events.

In this chapter, we will learn about the main concepts and different types of machine
learning. Together with a basic introduction to the relevant terminology, we will lay
the groundwork for successfully using machine learning techniques for practical
problem solving.

In this chapter, we will cover the following topics:

• The general concepts of machine learning

• The three types of learning and basic terminology
• The building blocks for successfully designing machine learning systems
• Installing and setting up Python for data analysis and machine learning

[3]
Giving Computers the Ability to Learn from Data

Building intelligent machines to

transform data into knowledge
In this age of modern technology, there is one resource that we have in abundance: a
large amount of structured and unstructured data. In the second half of the twentieth
century, machine learning evolved as a subfield of artificial intelligence that involved
the development of self-learning algorithms to gain knowledge from that data in
order to make predictions. Instead of requiring humans to manually derive rules
and build models from analyzing large amounts of data, machine learning offers a
more efficient alternative for capturing the knowledge in data to gradually improve
the performance of predictive models, and make data-driven decisions. Not only is
machine learning becoming increasingly important in computer science research but
it also plays an ever greater role in our everyday life. Thanks to machine learning,
we enjoy robust e-mail spam filters, convenient text and voice recognition software,
reliable Web search engines, challenging chess players, and, hopefully soon, safe and
efficient self-driving cars.

The three different types of

machine learning
In this section, we will take a look at the three types of machine learning: supervised
learning, unsupervised learning, and reinforcement learning. We will learn about the
fundamental differences between the three different learning types and, using
conceptual examples, we will develop an intuition for the practical problem
domains where these can be applied:

[4]
 Chapter 1

Making predictions about the future with

supervised learning
The main goal in supervised learning is to learn a model from labeled training data
that allows us to make predictions about unseen or future data. Here, the term
supervised refers to a set of samples where the desired output signals (labels) are
already known.

Considering the example of e-mail spam filtering, we can train a model using a
supervised machine learning algorithm on a corpus of labeled e-mail, e-mail that are
correctly marked as spam or not-spam, to predict whether a new e-mail belongs to
either of the two categories. A supervised learning task with discrete class labels, such
as in the previous e-mail spam-filtering example, is also called a classification task.
Another subcategory of supervised learning is regression, where the outcome signal is
a continuous value:

Classification for predicting class labels

Classification is a subcategory of supervised learning where the goal is to
predict the categorical class labels of new instances based on past observations.
Those class labels are discrete, unordered values that can be understood as the
group memberships of the instances. The previously mentioned example of
e-mail-spam detection represents a typical example of a binary classification
task, where the machine learning algorithm learns a set of rules in order to
distinguish between two possible classes: spam and non-spam e-mail.

[5]
Giving Computers the Ability to Learn from Data

However, the set of class labels does not have to be of a binary nature. The predictive
model learned by a supervised learning algorithm can assign any class label that was
presented in the training dataset to a new, unlabeled instance. A typical example of
a multi-class classification task is handwritten character recognition. Here, we could
collect a training dataset that consists of multiple handwritten examples of each letter
in the alphabet. Now, if a user provides a new handwritten character via an input
device, our predictive model will be able to predict the correct letter in the alphabet
with certain accuracy. However, our machine learning system would be unable to
correctly recognize any of the digits zero to nine, for example, if they were not part
of our training dataset.

The following figure illustrates the concept of a binary classification task given 30
training samples: 15 training samples are labeled as negative class (circles) and 15
training samples are labeled as positive class (plus signs). In this scenario, our dataset
is two-dimensional, which means that each sample has two values associated with
it: x1 and x2 . Now, we can use a supervised machine learning algorithm to learn a
rule—the decision boundary represented as a black dashed line—that can separate
those two classes and classify new data into each of those two categories given its x1
and x2 values:

Regression for predicting continuous outcomes

We learned in the previous section that the task of classification is to assign
categorical, unordered labels to instances. A second type of supervised learning is
the prediction of continuous outcomes, which is also called regression analysis. In
regression analysis, we are given a number of predictor (explanatory) variables and a
continuous response variable (outcome), and we try to find a relationship between
those variables that allows us to predict an outcome.

[6]
 Chapter 1

For example, let's assume that we are interested in predicting the Math SAT
scores of our students. If there is a relationship between the time spent studying
for the test and the final scores, we could use it as training data to learn a model
that uses the study time to predict the test scores of future students who are
planning to take this test.

The term regression was devised by Francis Galton in his article

Regression Towards Mediocrity in Hereditary Stature in 1886. Galton
described the biological phenomenon that the variance of height
in a population does not increase over time. He observed that
the height of parents is not passed on to their children but the
children's height is regressing towards the population mean.

The following figure illustrates the concept of linear regression. Given a predictor
variable x and a response variable y, we fit a straight line to this data that minimizes
the distance—most commonly the average squared distance—between the sample
points and the fitted line. We can now use the intercept and slope learned from this
data to predict the outcome variable of new data:

[7]
Giving Computers the Ability to Learn from Data

Solving interactive problems with

reinforcement learning
Another type of machine learning is reinforcement learning. In reinforcement
learning, the goal is to develop a system (agent) that improves its performance
based on interactions with the environment. Since the information about the current
state of the environment typically also includes a so-called reward signal, we can
think of reinforcement learning as a field related to supervised learning. However, in
reinforcement learning this feedback is not the correct ground truth label or value,
but a measure of how well the action was measured by a reward function. Through
the interaction with the environment, an agent can then use reinforcement learning
to learn a series of actions that maximizes this reward via an exploratory
trial-and-error approach or deliberative planning.

A popular example of reinforcement learning is a chess engine. Here, the agent decides
upon a series of moves depending on the state of the board (the environment), and the
reward can be defined as win or lose at the end of the game:

Discovering hidden structures with

unsupervised learning
In supervised learning, we know the right answer beforehand when we train
our model, and in reinforcement learning, we define a measure of reward for
particular actions by the agent. In unsupervised learning, however, we are dealing
with unlabeled data or data of unknown structure. Using unsupervised learning
techniques, we are able to explore the structure of our data to extract meaningful
information without the guidance of a known outcome variable or reward function.

[8]
 Chapter 1

Finding subgroups with clustering

Clustering is an exploratory data analysis technique that allows us to organize a
pile of information into meaningful subgroups (clusters) without having any prior
knowledge of their group memberships. Each cluster that may arise during the
analysis defines a group of objects that share a certain degree of similarity but are
more dissimilar to objects in other clusters, which is why clustering is also sometimes
called "unsupervised classification." Clustering is a great technique for structuring
information and deriving meaningful relationships among data, For example, it
allows marketers to discover customer groups based on their interests in order to
develop distinct marketing programs.

The figure below illustrates how clustering can be applied to organizing unlabeled
data into three distinct groups based on the similarity of their features x1 and x2 :

Dimensionality reduction for data compression

Another subfield of unsupervised learning is dimensionality reduction. Often we are
working with data of high dimensionality—each observation comes with a high
number of measurements—that can present a challenge for limited storage space
and the computational performance of machine learning algorithms. Unsupervised
dimensionality reduction is a commonly used approach in feature preprocessing
to remove noise from data, which can also degrade the predictive performance of
certain algorithms, and compress the data onto a smaller dimensional subspace
while retaining most of the relevant information.

[9]
Giving Computers the Ability to Learn from Data

Sometimes, dimensionality reduction can also be useful for visualizing data—for

example, a high-dimensional feature set can be projected onto one-, two-, or
three-dimensional feature spaces in order to visualize it via 3D- or 2D-scatterplots
or histograms. The figure below shows an example where non-linear dimensionality
reduction was applied to compress a 3D Swiss Roll onto a
new 2D feature subspace:

An introduction to the basic terminology

and notations
Now that we have discussed the three broad categories of machine
learning—supervised, unsupervised, and reinforcement learning—let us have
a look at the basic terminology that we will be using in the next chapters. The
following table depicts an excerpt of the Iris dataset, which is a classic example in
the field of machine learning. The Iris dataset contains the measurements of 150 iris
flowers from three different species: Setosa, Versicolor, and Virginica. Please check if
this is replaced. Here, each flower sample represents one row in our data set, and the
flower measurements in centimeters are stored as columns, which we also call the
features of the dataset:

[ 10 ]
 Chapter 1

To keep the notation and implementation simple yet efficient, we will make use of
some of the basics of linear algebra. In the following chapters, we will use a matrix
and vector notation to refer to our data. We will follow the common convention to
represent each sample as separate row in a feature matrix X , where each feature is
stored as a separate column.

The Iris dataset, consisting of 150 samples and 4 features, can then be written as a
150 × 4 matrix X ∈ 150×4 :

[ 11 ]
Giving Computers the Ability to Learn from Data

For the rest of this book, we will use the superscript (i) to refer to the ith
training sample, and the subscript j to refer to the jth dimension of the
training dataset.
We use lower-case, bold-face letters to refer to vectors ( x ∈ R ) and
n×1

upper-case, bold-face letters to refer to matrices, respectively ( X ∈  n×m ) .

To refer to single elements in a vector or matrix, we write the letters in
(n) (n)
italics ( x or x( m ) , respectively).
For example, x1150 refers to the first dimension of flower sample 150, the
sepal length. Thus, each row in this feature matrix represents one flower
(i ) 1×4
instance and can be written as four-dimensional row vector x ∈  ,
(i ) (i ) (i ) (i ) (i )
x =  x1 x2 x3 x4  .
Each feature dimension is a 150-dimensional column vector x j ∈ 150×1 ,
for example:

 x j (1) 
 ( 2) 
 x 
xj =  j 
  
 x (150) 
 j .
Similarly, we store the target variables (here: class labels) as a
 y (1) 
 
150-dimensional column vector y =  …  ( y ∈ {Setosa, Versicolor, Virginica} ) .
 y (150) 
 

A roadmap for building machine learning

systems
In the previous sections, we discussed the basic concepts of machine learning and the
three different types of learning. In this section, we will discuss other important parts
of a machine learning system accompanying the learning algorithm. The diagram
below shows a typical workflow diagram for using machine learning in predictive
modeling, which we will discuss in the following subsections:

[ 12 ]
Exploring the Variety of Random
Documents with Different Content
 XXX

Un abus contre lequel il eût été difficile de s’élever sans faire

montre de tyrannie à l’égard de Mademoiselle, c’était celui que
prétend refréner, dans les hôtels de voyageurs, la recommandation
qui s’exprime ainsi: «On est prié de ne pas monter les journaux dans
les chambres.»—De la non-application de ce précepte résultait
cependant pour notre petite colonie, on vient de le voir, un véritable
danger, près duquel ne comptait que peu la dépense de lumière
nécessitée par une lecture tardive. Ce danger, c’était le thème
nombreux fourni à Miss Winter, pour sa conversation du lendemain,
par l’épluchure d’une foule d’alinéas gros de discussions et riches
d’hérésies. Cela donnait aux monologues de l’Étrangère quelque
chose de kaléidoscopique et de fatigant comme le jeu de cet
appareil. A peine avait-elle fini de parler du cadre en diamants que
Madame Moore projetait d’offrir à la Joconde, pour dégoter Madame
de Béarn, dont la bordure soupçonnée allait être offerte au Musée
des Aveugles, que, tout aussitôt, elle en venait aux arrestations
opérées à la suite du Scandale Financier Suisse. Sans transition, les
visiteurs de Madame Ganderax étaient pris à parti. La Gouvernante
qui ne savait rien de cette Dame, descendait armée de ce texte:
«Madame Ganderax recevra à quatre heures, le premier jeudi de
chaque mois, et tous les vendredis, sauf le premier.» Une fois en
possession d’un semblable filet, l’Institutrice en tirait autant de
variations que le célèbre duo des Voitures versées en fournit à son
multiplicateur musical. Elle se demandait de quel assemblage de
prestiges la Dame inconnue pouvait extraire et justifier l’espérance
de voir des Parisiens, affairés et distraits, garder présents à l’esprit,
entre les vicissitudes du bridge et du polo, du flirt et de l’art, de la
religion et de la danse, les quantièmes et les heures qu’une hôtesse,
évidemment autoritaire, leur signifiait par l’intermédiaire de la
Presse, avec un raffinement de difficultés, du genre de celles dont
les pédagogues hargneux hérissent des dictées ayant pour but de
faire trébucher l’orthographe des écoliers et s’effondrer leur syntaxe.
Munie d’un pareil thème, la lectrice lui faisait rendre des effets
qui, pour être singuliers, n’en étaient pas moins fastidieux. Elle
invitait à se représenter les clients du Ritz, leur engagement book, à
la main, en proie à toutes les combinaisons de la mnémotechnie,
pour se rappeler avec exactitude lequel, du jeudi ou du vendredi,
était celui qui, pris en défaut, n’aurait offert, aux arrivants déçus,
que la triste surprise de rencontrer visage de bois, chez Madame
Ganderax, sur le coup de quatre heures.
Cette note, péremptoire dans sa brièveté, excitait aussi la
chercheuse: Madame Bulteau, grippée, ne recevra pas aujourd’hui.
Une telle image évoquait d’abord les jujubes et le gargarisme,
Géraudel et le Rigollot. Évidemment le cas était foudroyant pour
charger un avertissement, à ce point tardif et, en somme, hasardeux
(il y a des personnes qui ne lisent pas de journaux, et qui font des
visites) d’épargner les trajets inutiles. Là encore, que de becs dans
l’eau et de nez cassés! Évidemment aussi l’influenzée s’en remettait
à la Renommée aux cent bouches de trompetter incontinent, aux
quatre coins de Paris et de la banlieue, sa décommande altière et
mondiale.
Un tel jeu était assommant; Miss n’en avait cure. Et quand elle
consentait à changer de sujet, c’était pour demander l’intérêt que
pouvait trouver un quotidien à carillonner (comme des lecteurs à en
recevoir l’annonce) que le Comte Arthur de Gabriac, par exemple,
venait de «quitter Paris, pour retourner à Nice, en passant par
l’Italie»; ou que Mademoiselle Vacaresco, laquelle «met la dernière
main à un roman de mœurs paysannes roumaines, commencé
depuis deux ans, vient de visiter la Transylvanie en automobile».—
Vraiment, qu’est-ce que ça faisait?..
 L’Irlandaise en conclut que la «prière d’insérer» avait, suivant
elle, porté un coup dangereux à la Presse Française, qui témoignait
d’une faiblesse, en prouvant une complaisance à l’innombrable et
journalier envoi de tant de vanités, occupées à donner aux nouvelles
cosmiques l’aspect de leur petit trantran et le son de leurs
borborygmes.
Trop lancé pour s’arrêter en si beau chemin, notre Jonas féminin
se mit à prédire la ruine de Ninive. Comment désormais supporter
des attaches avec une civilisation dont l’état maladif se trahissait par
des soubresauts et des convulsions, que Mademoiselle qualifia
d’éclamptiques? Elle en cita quelques exemples et conclut: «On
laisse Villiers périr de misère et Verlaine crever de faim; mais
Monsieur Carnegie dépense cinq millions pour la création d’un héros
pacifique; et Monsieur Chauchard, deux cent mille francs, pour avoir
un enterrement Louis XV!»
Elle proclama que deux des maux dont notre temps mourait,
c’était l’anticipation des réussites et l’hydropisie des prodromes. Elle
basa son affirmation sur de nouvelles preuves. Au-dessous d’un
portrait de Bourget, publié plusieurs jours avant sa Barricade, il y
avait écrit: «l’Auteur du nouveau grand succès du Vaudeville.»—
Qu’en savait-on? à moins de se baser sur le succès des Mauvais
Bergers de Mirbeau, ou de la Nietzschéenne de Madame Lesueur?—
Supposez que la même rubrique ait été inscrite au-dessous du
portrait de Monsieur Prévost, à la veille des représentations de Pierre
et Thérèse, qui dut quitter silencieusement l’affiche, après avoir fait
le minimum, que serait-il advenu? Rien, il est vrai.—Monsieur Arnaud
de Becquières mijote un humble laïus qui, s’il réalise tout ce que lui
laissent de chances les moyens d’un orateur de cotillon, unis à ceux
d’un conducteur de speechs, ira peut-être jusqu’à mériter l’épithète
de «gentil». Avant que ce petit souffle ait eu le temps de s’enfler, un
grossissement, à la fois nasillard et phonographique, l’a déjà
transformé en orage sublime; ce ne sera rien moins qu’un
«événement triomphal». Tout juste le substantif et l’adjectif qu’il
aurait convenu d’appliquer à l’apparition du premier volume de la
Légende des Siècles!
 Ici l’avocate respira, prit un temps, pour s’irriter bientôt après, en
lisant que la Duchesse de Rohan écrivait «dans la langue des dieux».
Mais comme le compte rendu ajoutait qu’au dernier «Gibou»
poétique de cette Dame, on avait entendu Monsieur Crottinet,
l’Insulaire en conclut que c’était un des dieux sus-nommés et, tout
de suite, cette constatation lui parut remettre les choses au point.
Cependant Cassandre, qui succédait à Jonas, s’irrita contre la
coupable complicité de la copie gratuite et de la demande
d’insertion, qui se mettaient de mèche pour qualifier de «régal
littéraire» ce qui n’était que rogatons sans littérature; parlant «du
talent que l’on sait» quand il aurait fallu dire: que l’on sait... ne pas
être; et de «louanges méritées», quand le langage d’une clef bien
pensante aurait suffi à s’exprimer là-dessus. Et l’insertion concluait:
«Il faut, une fois de plus, féliciter la Duchesse de Rohan, poète
délicat elle-même, des encouragements donnés aux poètes, qui
n’ont pas toujours la faculté de se faire entendre...»
La frondeuse rectifia: «Il faut, une fois de plus, blâmer la
Duchesse de Rohan des encouragements donnés aux poètes qui
n’ont pas de talent, à commencer par elle-même, etc., etc...»
Non, non, cent fois non, poursuivait le discursus de
l’énergumène, ce n’est pas mériter des Lettres que d’agir, en ceci,
comme le fait cette Dame, c’est mériter des nasardes.
Les poètes, dignes de ce titre, trouvent toujours bien, une heure,
le moyen d’élever la voix, quand leur chant vaut d’être entendu. Et
cela, heureusement, tôt ou tard, rien ne saurait l’empêcher. Tel n’est
pas, à de rares exceptions près, le cas de ceux que fait entendre la
Duchesse; ceux-là ne relèvent que du silence et n’ont qu’à y gagner;
lui, de même, tant de fois supérieur à l’ébranlement de l’air par des
sonorités sans contrôle! Si, au contraire, l’auteur de tant de vers de
terre-à-terre (chez qui, je crois, il fréquente, les jours où le thé a
l’esprit de ne pas être poétique), obtenait de Monsieur Abel Bonnard
qu’il récitât ses belles strophes sur l’Amour de la Maison, par
exemple, ce serait «une autre paire de manches», comme dirait
Henriette. Mais ce n’est pas tous les jours fête, et surtout pas ceux
où les bons poètes qui, c’est plaisant à noter, se rendent volontiers
Boulevard des Invalides, en temps ordinaire, se feraient plutôt
pendre que de mêler leurs nobles accents à la confusion des
langues.
Il y a les fillettes qui jouent à la Madame, les garçonnets qui
jouent au soldat ou au cheval et, généralement, tous les enfants, qui
jouent à la dînette. Tous ces diminutifs d’actes, sinon plus grands, du
moins plus tardifs, ce sont les imitations, les simagrées, pour ne pas
dire les singeries de l’âge, de l’armée, de l’équitation et de la cuisine.
C’est de la sorte que, chez la Duchesse de Rohan, l’on joue à la
poésie.
Le Professeur Dieulafoy, dont l’érudition aurait parfaitement suffi,
en la circonstance, fit, un jour, à Monsieur Bourget, la grâce de lui
demander un nom pour un simulateur de maladies. L’Académicien
répondit: «Pathomime.» Que dirait l’auteur de Cruelle Énigme, si on
lui proposait pour le jeu (fort inférieur au bridge et au puzzle) qui se
joue, chez la Duchesse de Rohan, le titre de Poétamime?
Mais tout cela n’était que joyeux et, au fond, assez inoffensif, si
ce n’est pour celle qui en portait la peine dans le jugement de ses
vrais amis, à jamais affligés de la voir sacrifier quelques pouvoirs et
d’aimables dons, à ces vaniteuses turlutaines; ce qui était plus
douloureux, c’était de lire, plus qu’avec fréquence, avec continuité,
le nom de Madame Alphonse Daudet, parmi les assistants de ces
«galéjades» que sa présence paraissait justifier, pour les personnes
qui ne connaissent pas son goût sévère, sa fine raillerie, et son
jugement sans mollesse. Que Mademoiselle Vacaresco applaudisse
Monsieur Crottinet, ce n’est qu’assortiment; mais quelle proportion
entre le grand nom de Lettres de l’auteur du Petit Chose, et ces
petites choses? La méchante se voilait la face. Il n’aurait plus
manqué que l’on vît là Madame Judith Gautier!..
Mais, après tout, elle n’eût que suivi, en cela, Monsieur
Haraucourt, lequel, s’il admet de voir présider des banquets, soi-
disant littéraires, par la Duchesse de Rohan, considérée comme
Poète, prouve du même coup, et indubitablement, que ces
banquets-là n’ont rien à voir avec les Lettres, même Hottentotes. Et
nul n’est mieux à même d’en juger que Monsieur Haraucourt, probe
écrivain français.
Car, on ne saurait assez le redire, si la Bonne Dame (qui ne vient,
hélas! que pour ça!) n’exigeait pas de gâter le dessert, en s’y faisant
servir et resservir ses petits fours poétiques, nulle ne serait mieux
qualifiée, pour ce titre de Présidente. On n’en saurait trouver de plus
affable. Mais, comme poète, on n’en saurait trouver qui remplisse
moins les conditions.
Le tournant était périlleux. La Dame, comme Dame, éveillait de
respectueuses sympathies, éminemment justifiées, mais qu’elle
brûlait de transplanter incontinent sur le terrain de l’esthétique.
Alors, quand elle n’avait pas affaire aux snobs et aux complaisants,
ça ne marchait plus. Le fait est qu’elle n’avait pas encore obtenu
d’un écrivain, un peu digne de ce nom, l’article apologétique.
Monsieur Prévost lui-même, pourtant accessible aux musettes
bleutées, faisait la sourde oreille, et le bon Coppée, probablement
pressenti, était descendu dans la tombe, sans avoir critiqué Lande
Fleurie, ce dont le Bon Dieu lui avait su gré. Il fallait se contenter
d’une conférence de Montoya et d’un article de Monsieur Wiener. En
revanche, des personnes bien informées affirment que d’importants
fragments d’un gros travail sur les Lucioles ont été trouvés dans les
papiers légués à l’Académie des Inscriptions et Belles-Lettres par
Miss Lottie Collins, la créatrice de Tara-ra-boum-de-Hay.
Quoi qu’il en soit, la Scudéry des Balkans (je ne parle pas de la
Reine) s’était prononcée dans le sens du déchaînement lyrique.
Une femme, entre toutes respectable par l’autorité de son talent
et la dignité de son caractère, se serait, paraît-il, efforcée de faire
entendre doucement à la chanteuse des Ajoncs, qu’un peu plus de
mesure apparaît désirable dans l’émission de l’alexandrin. Celle-ci
aurait répondu: «Vacaresco m’a pourtant recommandé de me laisser
aller.»—On la reconnaît bien là cette terrible Fuite en Valachie; elle
prêche d’exemple.
Cassandre n’avait plus de salive. Demelly crut devoir venir à son
secours, et à la rescousse; il sortit de sa poche un numéro du Matin
et se tailla un succès facile en lisant l’article intitulé: La Duchesse de
Rohan fait inviter les poètes par son valet de chambre. Cette
manière offre des inconvénients. On connaît l’anecdote, la châtelaine
distraite, si fort occupée à fêter Monsieur Crottinet, qu’elle se trouve
avoir, par mégarde, invité l’Ombre de Verlaine. Contrairement à ce
qu’on attendait, cette forme de gaffe d’outre-tombe trouva l’auditrice
indulgente, presque favorable. Elle dit simplement que, si la bonne
Dame en était à prendre les morts pour les vivants, et Bussy-
Rabutin, pour Mademoiselle Rabuteau, on devait trouver plus
naturel, désormais, de la voir confondre Victor Hugo avec Victor du
Bled, et les Quatre Vents de l’Esprit avec les pets de nonne.
Pour atténuer le fâcheux effet produit par ce rapprochement, le
voisin entama quelques variations sur l’éternel o tempora, o mores!
Il conta qu’un de ses amis qui avait introduit, présenté, recommandé
chaleureusement un garçon, dans un intérieur jadis à la mode, s’en
était vu remercier par son protégé d’une façon inattendue: celui-ci
négligeait de le saluer quand il le rencontrait dans le salon dont il lui
devait l’accès. Ce récit eut le don de hausser Cassandre jusqu’à
l’invective héroïque. Elle cria: «S’il existe des maîtresses de maison
pour autoriser, pour favoriser de telles façons de faire, ces
amphytrionnes-là ont leur place d’honneur toute marquée dans la
République de Va-t’faire fiche et dans l’État de Va-comm’j’te-pousse,
où l’on mange avec ses doigts, après les avoir préalablement fourrés
dans son nez, sans compter celui des autres!...»
Voilà ce que valait, aux habitants du castel, la lecture, mal
digérée par Mademoiselle, des journaux du matin, potassés dans la
nuit!
 XXXI

Cependant toutes les surprises du genre Argus n’étaient pas

génératrices de tant de courroux; quelques-unes faisaient sourire.
Du nombre de celles-ci fut la déconvenue apprêtée au Marquis de
Clermont-Tonnerre, pour s’être insurgé, sinon à la légère, du moins à
la hâte, en lisant son nom dans le récit d’une réunion de famille à
laquelle il ne s’était pas rendu, pour des raisons, à ses yeux,
prépondérantes, puisqu’il nous en donnait avis, mais enfin qui
n’étaient pas seules, comme la suite le prouva. Donc, il fit connaître
au monde, par la voix des journaux, que sa présence avait été
mentionnée à tort, dans un compte rendu de soirée chez une de ses
cousines. Celle-ci répondit que cela était vrai; mais que le motif
qu’elle en voyait surtout, c’est qu’il n’est guère d’usage de se rendre
dans les maisons où l’on ne fut pas invité. Cette réponse, qui
semblait dictée par la logique des événements plutôt que par le goût
de la dispute, Mademoiselle la jugea «bien envoyée».
Quant au libellé des invitations, par exemple, celui-là perdait la
boussole, en même temps que toute décence, dans la forme de
sabbat qui prétendait encore au titre de monde. Demelly en cita des
modèles étonnants. Ce n’était point assez de s’être vu engager
longtemps par des dames peu affables, auxquelles suffit d’inscrire,
sur leurs cartes, un sec sera chez elle, qui fait souvent répondre
mentalement: «Eh bien, qu’elle y reste!..» il paraît que des
Messieurs les avaient imitées, croyant bien pouvoir tracer au crayon,
sur leur rectangle, un «sera chez lui» qui, celui-là, relevait du
Docteur Goudron. D’autres hôtesses (combien pressées!) ajoutaient
simplement à leur nom les trois mots Tasse de Thé, lesquels
donnaient au destinataire, en ouvrant l’enveloppe qui le visait, la
sensation de recevoir dans le nez un petit pot d’eau chaude.
Quelqu’un, qui n’aimait pas ça, fit semblant de croire qu’il s’agissait
d’une comédie de salon, et répondit qu’il se sentait encore trop
voisin de la mort d’un parent, pour assister à un spectacle, même
intime. Mais cet ironiste n’était pas dupe de son excuse; il savait très
bien que la mince bluette, dont il citait l’intitulé, ne serait pas du
goût des spectateurs actuels, fils et petits-fils de ceux que charmait
encore «l’Invitation à la Valse», remplacée aujourd’hui par la «Valse
chaloupée», dans les plus aristocratiques milieux, et jusque chez le
Directeur du Gaulois.
Un Monsieur que l’on avait assuré de sa condoléance, plus
catégorique, lui, plus pythagorique, s’en tirait avec deux mots: «Très
touché», et donnait ainsi l’impression que le motif qui avait servi de
prétexte à cette brève correspondance n’était pas un deuil, mais un
duel.
Enfin, une étrangère, en disant tout bonnement la vérité,
triomphait dans l’énoncé bizarre que deviennent aujourd’hui les
formules autrefois consacrées (et peut-être à juste titre, après tout):
«Vous prie de lui faire l’honneur, ou le plaisir..,»; l’étrangère, elle,
priait de venir prendre je ne sais plus quel breuvage «sur le toit».
Et comme son ronron était agréable, il y eut foule dans les
gouttières, à l’appel miaulant de l’aimable chatte.
 XXXII

Mademoiselle se montra sévère pour un acte ébauché par la

Princesse Edmond de Polignac, acte d’un humanitarisme qui semblait
se croire transcendant... et n’était que restreint. Quand un vrai
philanthrope met des fortunes à la disposition d’un architecte, pour
construire des logements d’ouvriers (cela se voit), ces fortunes, il les
donne, il les abandonne, sans esprit de retour, si ce n’est celui qui,
dans ce monde ou dans l’autre, peut lui venir du dieu des aumônes.
Auprès de cela, quelle maigre figure faisait le demi-million de
l’Américaine cossue et ostentatoire, effectuant un placement, sous
couleur de bienfait, avec les reprises du loyer, des portes et fenêtres!
Quand une fois Monsieur Vaudoyer aurait aménagé les chambrettes
modern-style et les jardinets Botticelliens augurés par les
prospectus, il n’y aurait plus qu’à y mettre du Maple, lequel, on a
tout lieu de le craindre, ne serait pas fourni par la donatrice à
quittances. De la sorte, la mention de cette générosité reversible,
sertie par la première page d’un grand quotidien, plutôt que l’allure
du geste d’une Élisabeth, d’un Martin ou d’un Vincent de Paul,
prenait l’aspect d’un écriteau de location, indicateur d’un petit coin
pas cher (quatre cents francs, le taux y était), compris le bow-
window, pour bourses plates. Tout cela, bien entendu, à l’évaluation
de Miss Winter, toujours subversive et assez cassante.
De cet exemple, elle rapprocha celui d’une Dame qui avait donné
un festival payant et, ce qui l’expliquait, pour les pauvres. Quand ce
fut fini, elle fit savoir qu’il n’y avait pas de bénéfices, mais qu’elle
donnerait tout de même quelque chose. C’était son droit; c’était
aussi celui de la critique de faire observer qu’il y a des donateurs qui
donnent pour donner et non pour louer, comme faisait la première
Dame; et des hôtesses qui engagent pour engager, comme ne
faisait pas la seconde.
Et Mademoiselle s’éleva, non sans force, si ce n’est sans aigreur,
contre ce qu’elle appela les munificences à baux et les invitations à
péage.
 XXXIII

Les conceptions esthétiques de la Marquise de Ganay se virent

encore admises à l’honneur des discussions de Mademoiselle.
L’occasion en fut offerte par une exposition de pastels dont s’avisa la
châtelaine de Courance. Jamais le bis repetitum n’atteignit un pareil
chiffre, dans l’ordre du rappel nominal. Il occupait une telle place,
dans tous les comptes rendus, ce nom de l’inspiratrice, que c’est à
peine s’il restait un blanc pour La Tour ou pour Perronneau, et qu’il
n’aurait pas même été fait allusion à Madame Lebrun (dans une
évocation du Dix-Huitième Siècle) si l’on n’avait eu le bon esprit
d’exposer une œuvre... de son père.—«La jeunesse est légère...»,
comme dit Ruy Gomez, même quand elle n’a plus vingt ans. Quoi
qu’il en soit, la Presse ne tarissait pas d’éloges, envers celle qui avait
su faire violence aux collections les plus fermées, pour les convaincre
de s’associer à ce mouvement. Un mot qui devrait, pourtant, faire
réfléchir, quand il s’agit de pastels, à l’égard desquels il représente
l’attentat, pour ne pas dire l’anéantissement. Ce fut sans doute cette
réflexion qui inspirait à notre héroïne l’étrange protestation dont elle
étonna encore, déclarant que pas un des iconoclastes n’avait mérité
ce titre à l’égal de la Marquise de Ganay; non, en vérité, pas un de
ces destructeurs d’images n’avait réussi, en une fois, un coup digne
d’être comparé à l’abolition simultanée de cent chefs-d’œuvre. Elle
exagérait, pour donner du poids à sa démonstration, car elle avoua
ensuite à Demelly que, parmi le stock, plusieurs «numéros» ne
valaient pas «tripette» (sic). Elle emprunta, pour la circonstance,
cette locution au vocabulaire de Madame la Comtesse.
 Le voisin protesta, quant à ce qui touchait le soi-disant crime, ce
que Mademoiselle appelait: «le coup du Père François de la
peinture!»—Certes, il y a danger, pour ces poudres fragiles, non
fixées, à se voir changées de place; mais, enfin, Miss allait trop loin.
Elle n’en convint pas et se contenta de fournir comme preuve (hélas!
trop convaincante!) de ce qu’elle avançait, le partiel évanouissement
du portrait de Madame Favart, par Liotard. Quel traitement, autre
que celui du déplacement, aurait pu infliger, dans le passé, à cette
merveille, la perte de la précision chinoise qui en avait dû faire le
prix?—La coquine d’Irlandaise prédisait un sort pareil à tous les
ovales, à tous les rectangles dénichés par cette nouvelle protectrice
des arts. Et ce qui stupéfiait Miss Winter, c’est qu’un geste, à ce
point irréfléchi, dût être attribué à la fille d’un Collectionneur, entre
tous justement réputé pour son attachement aux précieuses
vieilleries, et dont la mémoire demeurait chère aux amateurs
d’antiquités rares.
Le Vert-Marais écoutait, effaré. Or, le générateur de cette scène
n’était autre qu’un numéro de Magazine, dont un feuillet se
consacrait à la célébration de la même personne, cette fois comme
Présidente de la Société des «Amis de Fontainebleau».
La frondeuse ne manqua pas de s’élever contre ces amitiés
architecturales, qui ne se sont, jusqu’à ce jour, signalées que par
«beaucoup de bruit pour rien», des achats sans intérêt et l’agitation
de Monsieur Fournier.
La feuille, Vie Heureuse quelconque, ou occasionnel Femina,
donnait le portrait de Madame de G. Sans nul doute, cette vue avait
été prise lors de certain accident de pendule, dont voici le schéma:
l’objet, signalé en vente comme pouvant avoir orné, dans le palais
des carpes, la chambre même qui fut occupée par Louis XVI, quelle
conduite à tenir, en l’occurrence, pour une monumentale Amitié, si
ce n’est de replacer ce cadran sur la tablette qui l’avait supporté?—
Elle le supporta mal. Ce qui fut dit, fut fait. On s’en repentit. Le
bibelot acquis par souscription se trouva n’avoir jamais eu le moindre
rapport avec le Pénitent de l’Abbé Edgeworth. Peut-être pas même
un rapport de fabrication, ni de date. Le Comité crut devoir (et fit
bien) «imiter, de Conrart, le silence prudent».
Mademoiselle n’en démordait point, la photo de la Présidente
avait dû être prise à l’heure marquée par la pendule inauthentique.
Toute la profondeur de Spinoza, tout le vertige de Rysbroeck, toute
la sagesse de Confucius avaient, pour le solenniser, élu domicile sur
ce visage présidentiel, lequel se rattachait aussi à Dürer, par
Melencolia, en pensant au balancier qui, décidément, n’avait rien
rythmé pour le Monarque.
La Dame était assise, devant son bureau-ministre. Elle songeait.
Que faire devant un bureau-ministre, «à moins que l’on ne songe»?
Évidemment, elle songeait... à la Comtesse Greffulhe!
Deux bougies, dont l’une s’inclinait d’admiration, ou fléchissait de
surprise (qui saura jamais interpréter le muet langage des
accessoires?...) deux bougies éclairaient la scène.
Elles étaient éteintes.
 XXXIV

La conversation des jours qui suivirent s’en reprit à des motifs

antérieurs et, notamment, à cette récente mésaventure ducale. Le
sujet se présentait avec tant de netteté qu’il fit rendre des oracles
judicieux par des personnes sans jugement. L’Étrangère, suivant sa
coutume, s’accusa transcendante et catégorique. Comme entrée de
jeu, elle établit d’abord que l’événement mettait en fâcheuse posture
les deux Académiciens qui avaient, dit-on, présenté la Duchesse à la
Société des Gens de Lettres, Messieurs Jean Richepin et Paul
Hervieu. Mais ce n’était qu’un détail de la question, qui reposait tout
entière sur une erreur, aussi bien dans l’esprit de la dame que dans
celui des familiers qui entretenaient son illusion, bonnement
quelques-uns, mais les plus nombreux, par intérêt et par ruse. Cette
illusion, c’était croire—ou le feindre—que toutes ces blagues avaient
du rapport avec la littérature. Les soi-disant défenseurs de cette
nouvelle et regrettable attitude d’une femme qui longtemps, très
longtemps, en avait eu d’autres plus appréciables, enfourchaient ce
dada de bois, et le chevauchaient avec une apparente inconscience.
Or, si le mensonge construit savamment, et, mis en œuvre
astucieusement, doit sembler odieux (il ne s’agissait en rien de cela),
l’erreur naïve, accréditée avec une complicité niaise, peut du moins
donner sur les nerfs. C’était le cas. Une vierge buveuse, non de
poésie, mais de thé poétique, ce qui est l’opposé, s’attelait à ce
plaidoyer, avec de soi-disant preuves qui prouvaient toutes,
précisément, le contraire de ce que recherchait l’avocate, laquelle
pataugeait en une parfaite pétition de principe, à savoir:
raisonnement sur un point de départ faux. Quoi de mieux assorti à
cette définition que de comparer aux «grandes dames qui
témoignèrent une sollicitude passionnée aux Lettres Françaises»,
une femme qui fait réciter chez soi des vers sans vigueur, par des
poètes sans veine? Cela, en effet, c’était aimer les Lettres, comme
Monsieur Pierre Lafitte, que Monsieur Roujon, dans un toast à jamais
célèbre, proclame, lui aussi, «l’ami des Lettres», sans que cela soit
bien démontré par la publication des feuilles dont le principal attrait
consiste à faire deviner laquelle, de deux bottines, appartient à tel
ou tel artiste, et de deux mentons, quel est celui de telle ou telle
comédienne. C’était encore aimer la langue française, comme la
Marquise de Ganay chérit les pastels, pour les anéantir ou y attenter.
Enfin, et en un mot, représentez-vous une personne qui, sous
prétexte d’amour pour les roses, remplirait les vases de son
appartement avec des chardons, des ronces et des chandelles.
Non, ce que ne disait point la vierge avocate, ce que ne disait
personne, peut-être parce que personne ne s’en apercevait, pas
même l’héroïne de ce petit conflit, c’est que celle-ci poursuivait,
avant tout, pour ne pas dire sans souci du reste, le placement par
elle-même, ou quelqu’un de ses invités, d’un de ses ours, d’une de
ses bêtes à Bon-Dieu, d’un de ses papillons empaillés, ou du
cormoran de Monsieur Sarlovèze, ou du caniche Petto, d’hilarante
mémoire, enfin de toute cette arche de Noé, à rendre jaloux
Monsieur Rostand, et qui, loin de grouiller dans l’œuvre chère à
Monsieur Chéramy, ne fait qu’immobiliser l’animalité de bois des
ménageries enfantines.
Lisez plutôt: «L’élégante assistance a beaucoup applaudi Madame
Marguerite Jules Martin (excusez du peu! Serait-ce, par hasard, un
pseudonyme de Mademoiselle Bartet? Ça changerait joliment les
choses!) et Monsieur Paul Rameau, qui ont dit avec grand talent
plusieurs poèmes et, entre autres, de la Duchesse de Rohan...»
«Ah! que cet entre autres est, pour moi, plein de charmes!...»
s’écriait l’Irlandaise, faisant allusion au quoi qu’on die de Molière.
«Croyez-moi, c’est à lui que la France reconnaissante et la Littérature
obligée doivent le Chambard poétique. Sans lui, on ne nous
donnerait à entendre ni Halst, ni Ott, ni Bédarieux, ni Riberolles, ni
Nastorg, ni Alibert, ni Boutilleau, ni Boutello, dont les œuvres,
jusqu’à ce jour, victimes de la conspiration du silence, jouent, au
cours de ces réunions, le rôle du pain à chanter qui fait avaler la
pilule. Et cette pilule-là, c’est l’inévitable fragment de Lande Fleurie!»
Peut-être bien tout de même entrait-il, dans ce dessein, quelque
chose de fraternel; mais alors, seulement par raccroc. L’auteuresse
connaissait par expérience la démangeaison de faire entendre ce qui
ne mérite pas d’être entendu; et, du même coup, elle se l’évitait à
soi-même, cependant qu’elle l’épargnait à ses coadjuteurs en
incapacité littéraire et en infélicité poétique.
Les vrais poètes se passent très bien de dégoiser leurs œuvres;
celles-ci contiennent une vertu qui suffit à ceux-là, leur permet
d’attendre le légitime succès et la finale réussite. Mais les œuvres
qui ne contiennent rien, il faut bien en combler le vide par des
bravos fallacieux, pour donner le change sur ce néant.
Certaine incidente du plaidoyer qu’elle avait cité ne trouva pas
davantage grâce devant Miss Winter. Il parlait avec un mépris
évident des «Duchesses d’Amérique et de Judée, des Comtesses du
Pont et du Rant...» Or, ces Duchesses-là, et des deux sortes, nul ne
l’ignore et ne songe à l’en blâmer, sont des meilleures amies de la
maîtresse de la maison; cependant que, pour la circonstance,
Madame de Pont de Gault s’unit à elles, et, peut-être bien, Madame
de Rantz de Saint-Brisson. La vierge avocate en fut donc pour ses
frais et pouvait même se vanter d’avoir gaffé, comme font les amis
plus empressés qu’adroits, qui manœuvrent un pavé pour
débarrasser d’une mouche.
Miss conclut l’entretien en condamnant la défenderesse aux
dépens et en décernant à l’accusée le titre, d’ailleurs non sans
charme, ni sans agrément, de l’«Aubernon couronnée».
La nuit porta conseil. Un retour sur le leitmotiv des invitations
après décès trouva, le jour suivant, Mademoiselle de meilleure
humeur. Elle convint que le groupe, parmi lequel la Duchesse invitait
le défunt à prendre place, rendait, seul, l’engagement indigne d’un
tel hôte, littérairement s’entend, cela va de soi. Si, au contraire, la
Dame s’était contentée de donner une réception en l’honneur de
l’Ombre de Verlaine, qu’elle y eût ajouté quelques Ombres fameuses,
son attitude aurait paru digne de se voir assimiler à celle de Louis de
Bavière qui, les soirs qu’il faisait organiser, pour soi, une audition
Wagnérienne, prétendait que les grands spectres du passé
envahissaient le reste de la salle. Un des poètes chers à la
Gouvernante avait noté cela, dans une pièce qui méritait au moins le
titre de mystérieuse.
C’est égal, si l’on avait invité l’Ombre de Mademoiselle Vacaresco,
elle aurait eu du corps, même de la rondeur; et si l’on y avait joint
l’Ombre de Monsieur Crottinet, qu’est-ce qui serait resté?...
On en était à ce point d’interrogation, quand le facteur remit une
lettre à la bavarde. Ce pli contenait des potins de Paris et,
notamment, cette nouvelle qu’un poème de la Duchesse de Rohan,
intitulé Le Radeau, allait être récité dans une matinée à bénéfice;
mais, à cause du bruit qui se faisait, par anticipation, autour de
Chantecler et de son bestiaire, le Comité souhaitait obtenir de
l’Auteuresse la permission de modifier légèrement, pour la
circonstance, le titre de la poésie et de l’orthographier: Le Rat d’eau.
Tout faisait espérer que la bonne grâce, bien connue, de la
grande Dame se plierait, sans difficulté, à cette modification sans
importance.
La lettre renfermait encore un instantané qui semblait avoir été
rédigé par le Diable Boiteux ou l’Ange du Bizarre, le Roi Midas ou le
Roi Freiligrath, la Reine Baba ou le Pape des Papous. Il comparait la
Duchesse de Rohan à... Virgile, et ajoutait qu’elle s’était fait «une
âme à la Pierre Loti». Vraiment, il y avait ça... qui se compliquait
encore. L’Aïeule se trouvait avoir certain petit-fils («cet âge est sans
pitié») évidemment le plus terrible des enfants terribles, puisqu’il
couronnait de roses sa bonne-maman, fleurs sans doute
empoisonnées, car à peine en était-elle ceinte que grand’mère se
mettait à dégoiser du Musset, dans le parc, pour donner la réplique
à son gendre, qui se trouvait être le «parrain de Max Dearly». Il y
avait encore ça. Qu’est-ce que Jérôme Bosch aurait pu inventer de
plus, le peintre des cauchemars?...
 Visions terrifiantes, que couronnait, à son tour, un regret à
l’adresse de Mam’zelle Vacaresco, seule jugée capable de supporter
sans broncher un pareil spectacle. On s’en doutait un peu.
Mademoiselle fondit en larmes.
Tout de même, le lendemain, elle écrivit pour avoir le volume qui
avait inspiré l’instantané, alléchée soudain, à l’espoir d’y retrouver du
Jérôme Bosch. Elle fut déçue par d’assommantes compilations sur le
passé comme sur l’avenir de la Mingrélie, qui sentaient, d’une lieue,
la collaboration de famille et prétendaient donner du poids à... ce qui
n’en avait pas.
Là-dessus, la pauvre dame, bien persuadée de faire concurrence
au délicieux livre de la Princesse Bibesco, saupoudrait de vieux ana
Bonapartistes, et de quelques blagues, des compliments à l’adresse
des buffets.
Ça ne valait pas le voyage. Décidément, seuls, les vers de la
Duchesse de Rohan méritaient d’être lus. Mademoiselle se le tint
pour dit.
 XXXV

Il y avait à prendre et à laisser dans les interminables diatribes

qui bourdonnaient au long des corridors et des allées, comme des
essaims désaccordés de guêpes sans venin et d’abeilles sans miel.
Mademoiselle ruminait, récriminait, incriminait, fulminait.
C’était assez, n’est-ce pas? de ces répétitions, dites des
couturières, que le Théâtre avait, d’abord, tolérées, puis admises,
enfin légalisées, imprudemment, selon Miss, puisqu’elles prouvaient
la place envahissante prise par les chiffons dans l’Art Dramatique
d’aujourd’hui. L’Irlandaise les comparait au lierre, dont on se passe
quand il y a des sculptures. Non, ce n’était point assez, paraît-il,
puisqu’une littérature pareillement de couturière, autrefois non pas
reléguée, mais traitée selon son mérite et placée en son lieu, quand
elle occupait un coin de page éloignée, affleurait maintenant à la
surface des grands journaux, qu’elle diminuait avec des néologismes
jaillis du cerveau, plutôt bouillonné que bouillonnant, des
rhétoriciens de garnitures.
Ces textes s’accompagnaient (pas toujours) de gravures de
modes, en révolte contre l’art spécial, savant, technique et
raisonnable, naguère attribué à ces sortes de reproductions, du
temps qu’elles exigeaient la représentation exacte de falbalas
nommés, tels que des biais, des berthes ou des engageantes, afin
que, sur l’inspection du tracé de ces atours, on pût les rééditer à
l’étranger, ou en province.
A vrai dire, à quoi servirait ce détail, en des jours où la toilette se
contente d’arborer une amazone à la queue coupée et d’habiller les
femmes comme de la soie d’un parapluie dont on a retiré les
baleines, ou de les enrouler, telles que des cigares, d’étoffes
tournées en manière de feuilles de tabac? Pour la coiffure, le
parapluie retrouve ses baleines, se pose sur les têtes; la lionne en
avale le manche, fixe un plumeau sur le sommet du riflard, et voilà
toute trouvée l’exquise toilette de la dame délicieuse. Car ce sont les
épithètes que l’on inflige désormais invariablement aux choses et
aux personnes. «Nous y reviendrons!» clamait la plaignante.
Ces gravures de modes actuelles semblent échappées du burin
de je ne sais combien d’Helleu au rabais; ces commentaires, on les
croirait giclés par la plume d’un Gautier à vingt-cinq centimes (pas la
ligne, l’article!).
«Goûtez-y! Goûtez-en!...», criait notre Juvénal en cornette, qui
tirait de sa poche une coupure toute frissonnante de linons
«incrustés», de corsages «ennuagés» et de cotillons «allurés»,
servis de pair et présentés à égalité avec les embarras
diplomatiques, les crises cosmiques, les décès et les désastres.
Franchement, qu’était-ce que ce charabia de comptoir et de cabinet
d’essayage, pour voisiner de si près avec la prose d’écrivains qui se
respectent?
Et Miss ajoutait: «Qu’est-ce que ça peut bien nous faire que tout
cela «fasse honneur» à Drecoll ou à Redfern?... Pas moins vrai que
ça nous... ennuage!»
D’autres filets moins tempérants osent ajouter, à des
nomenclatures d’affiquets, des descriptions de visages, proclamés
«charmants» sous des touffes d’oreilles d’ours en velours ou de
sureaux en graines. Ceci fâchait tout rouge notre Érynnie. A ce
propos elle rappelait, non sans quelque bon sens, la réclamation
d’un prédicateur qu’on faisait mine d’applaudir en chaire. «Les
bravos dans l’église,—affirmait ce digne homme,—ce ne serait déjà
pas très convenable; mais que serait-ce des sifflets?—Je ne pourrais
cependant pas accepter les premiers, quand votre satisfaction me les
décerne, sans admettre que vous m’infligiez les autres, les jours que
je vous aurais déplu.»—C’était judicieux, c’était juste.
 Le raisonnement, selon l’Institutrice, s’appliquait aux épithètes
des comptes rendus mondains. Du moment qu’une figure peut être
proclamée belle sous l’héliotrope ou le mélilot, il faut bien supporter
de lire, une autre fois, que telle ou telle binette a été jugée
désagréable sous le gratteron ou la fraccinelle. Et c’est une iniquité
d’infliger à de respectables matrones, qui n’en peuvent mais, ces
phraséologies de machine à écrire, qui pis est, de machine à coudre.
Mais c’est bien une autre affaire quand les adjectifs exquis et
délicieux viennent naïvement infliger leur affront à d’honnêtes
dames. Car Mademoiselle l’estimait ainsi. Avait-elle tort? Le rouge lui
montait au visage pour une mère de famille taxée de «délicieuse»
ou d’«exquise», par un récit de fête. Suivant elle, une semblable
maldonne dans l’usage des mots et le chapitre des éloges, motivait
un envoi de témoins, de la part d’un fils, d’un frère, d’un époux. On
objectait à Miss que ces deux qualificatifs étaient clichés d’avance,
qu’ils ne tiraient pas à conséquence, vu qu’on les mettait à toute
sauce, témoin la récente exposition d’un peintre certifié délicieux, et
de ses œuvres affirmées exquises, sans que rien, chez ce gros
homme, l’assimile à un bon fruit, ni dans sa production vague et
flasque, dénuée de personnalité, hors celle de tous les maîtres, tour
à tour, pillés sans bonheur, motive la comparaison de ce résidu de
cartons et de chevalets, avec une jolie fleur.
La Gouvernante refusait de se laisser convaincre et en venait aux
mots select et restreint. Comme les notes où figuraient ceux-là
émanaient visiblement des personnes dont elles parlaient, Miss
Winter jugeait ces notes irréfléchies et, ces personnes, mal inspirées.
Suivant elle, les gens bien et les gens de bien reçoivent tout le
monde, ou, du moins, de tous les mondes, puisque chacun d’eux
peut contenir des sujets de mérite. Il en résulte qu’une telle
insistance à se montrer scrupuleux sur le choix de ses invités devait
cacher une tare personnelle, en tout cas, s’accusait surtout
(l’Insulaire en avait fait la remarque) chez des parvenues que l’on
avait longtemps refusé de recevoir, et qui croyaient se dédommager
ainsi, tandis qu’elles ne faisaient au contraire que rappeler de vieux
échecs.
 Elle ajoutait que la plupart des grandes vedettes de la Mondanité
d’aujourd’hui n’auraient pas osé prétendre à lire leur nom dans un
compte rendu, il y a seulement quinze années.
Sur ce, le Timon femelle concluait par une évocation à la fois
pathétique et comique, des ruines de la Société Parisienne,
parcourue par sept femmes, qu’elle nommait (Mesdames P... B... C...
M... M... de F... et de P...), lesquelles, armées de lanternes sourdes,
cherchaient, non pas seulement, comme Diogène, un homme, mais
un Duc.
Et comme il n’y en avait plus beaucoup, du moins d’authentiques,
les sept lanternes se fixaient à la fois sur le même; et comme c’en
était un vrai, qui se montrait bon garçon, les sept lanternes
crépitaient de plaisir.
Et s’inspirant du titre d’un drame antique, Les Sept devant
Théba, l’Étrangère appelait ces dames: les sept devant... (suivait le
nom Ducal.)
Heureusement, depuis longtemps, on n’écoutait plus;
Mademoiselle, dégrisée de ses considérations, revenait à soi et se
retrouvait au bout de ses preuves à l’appui et au fond du parc.
Un arbre magnifique se dressait près d’elle. Des glands se
détachaient des rameaux avec un bruit sec. Leur chute résonnait sur
le sol comme des larmes dures pleurant un passé trop tôt révolu. La
promeneuse solitaire leva les yeux vers les branches; elle eut un
sourire attristé et ironique; sa bouche se tordit, comme si le secret
du bien et du mal allait en sortir. D’un regard circulaire, elle sonda la
solitude et la vérifia. Puis, prenant à témoin le Ciel et la Terre, elle
brandit un journal qui se froissait dans sa main, et relatait le séjour
d’Édouard VII à Biarritz. Alors, elle s’écria d’une voix sibylline:
«Autrefois, les Rois rendaient la justice sous les chênes... et
maintenant... ils dînent avec Madame Moore!...»
 XXXVI

Une circonstance Européenne amena sur le tapis la question des

Trônes. Mademoiselle ne manqua pas de citer, à ce propos, certaine
appréciation de Tolstoï qui «n’en tient pas» pour les Monarques. Tout
à coup, par une de ces déconcertantes sautes d’opinion qui ôtaient
du poids à ses réquisitoires, l’Étrangère parut rapporter son décret à
l’égard de ceux qu’elle nommait: «les snobs Biarrots»; et lisant, dans
le Gaulois, la liste des Parisiennes amitiés du Prince Anglais, elle
s’offusqua de n’y pas rencontrer le nom de l’Américaine forte.
«L’amitié de Madame Moore ne serait-elle pas tenue pour
décorative?...» s’écriait-elle avec indignation. Puis, elle ajouta, on ne
sait dans quel esprit: «Ça vaut bien la peine de se donner tant de
mal!»
Le soir, le sujet fut repris; on venait d’apprendre que la même
Dame, qui s’était pourtant fendue, à cette occasion, d’une couronne
de gros pois de senteur, non seulement s’était vue privée, par les
quotidiens, d’une relation de cet envoi, mais n’avait pas été invitée
au Service commémoratif de Paris. Miss déclara que les Amitiés
ornementales pouvaient être considérées comme des valeurs de
commerce (on dit: un commerce de sentiment). Par suite, s’en voir
privé, dans une nomenclature, constitue un préjudice,
conséquemment, un délit, qu’il importera de réprimer. Le premier
procès plaidé et gagné, dans ce sens, aurait une bien autre portée
que de minces victoires dont on fait grand état, sur le terrain de la
propriété littéraire, etc., etc.; la serinette, une fois déclenchée, elle
divagua.
 On en revint aux Mondanités, parmi lesquelles l’Aristocratie était
toujours en bonne posture, témoin cette belle soirée donnée par la
Comtesse de Lapisse:
«Le cotillon était conduit par Monsieur de Monchy.»
 XXXVII

Le bruit courut que la Comtesse Edmond de Pourtalès avait

refusé de s’entendre réciter au nez, devant une intimité de quinze
cents personnes, qu’elle avait conviées dans les Salons d’un hôtel
garni, de soi-disant vers d’André de Fouquières. Mademoiselle crut
d’abord que c’était par modestie et elle approuva. Mais un journal
ayant joué au pseudo-poète le tour de publier l’ode refusée, le motif
de ce refus apparut tout autre. C’est que, tout simplement, la Bonne
Dame l’avait trouvée mauvaise. Mademoiselle n’approuva pas moins.
Et comme, dans le compte rendu qui relatait ces choses, il y avait ce
passage, parlant de la même mondaine: «Depuis tant de lustres
qu’elle tient le sceptre de l’élégance Parisienne», Miss se demanda si
le chroniqueur qui avait trouvé cela s’imaginait avoir écrit une phrase
aimable.
Enfin, on connut par Demelly qu’une Dame, dite de Lettres, avait
envoyé à un écrivain de génie, un livre (?) d’elle, lequel portait cette
simple dédicace: «A la suite du dîner de telle date.» Mademoiselle
observa sèchement qu’un verre d’eau tiède, absorbé après un dîner,
pouvait amener des accidents fâcheux; c’était donc mal remercier
l’Auteur de tant de beaux ouvrages que de lui offrir ça, si ce n’est
comme rince-bouche.
 XXXVIII

Berthe se vit infliger un pensum. Mademoiselle saisit un journal

qui se trouvait là et contenait cette phrase: «Ne voit-on pas
fréquemment deux grands peintres, un Besnard ou un Jacques
Blanche, exécuter, sans esprit de concurrence, le portrait d’une
même personnalité? La valeur respective des œuvres s’accroît
encore d’un savoureux parallèle.»
Ce passage, Miss le fit copier cent fois par l’enfant.
Quand la chose fut connue, elle étonna. Discrètement, Demelly
en demanda la raison à l’Institutrice, qui répondit: «La petite ne
comprend pas encore. Plus tard, elle me saura gré de la forte et
délicate leçon que je lui donne aujourd’hui. Puisse celle-ci lui inspirer,
pour toute sa vie, la sage crainte des rapprochements sans
proportions et des comparaisons inégales!»
Que répondre à cela?
Elle dit encore, à cette occasion: «Un peintre qui, chargé de
peindre un portrait, place à côté de son modèle une lampe éteinte,
prouve du même coup, hélas! qu’il a cette lampe dans l’esprit et
dans le cœur.»
Un article parut, à propos d’un ballet Slave qui faisait florès à
Paris. Le signataire de ce «papier» s’exprimait ainsi: «Nous autres
peintres, chargeons nos palettes!»—On sentait que la vessie allait
donner dur. Mademoiselle se demanda si Besnard aurait écrit: «Nous
autres peintres...» et si Rodin se serait écrié: «Nous autres
sculpteurs!» Elle en douta, et fut d’avis qu’une telle expression
Welcome to our website – the ideal destination for book lovers and
knowledge seekers. With a mission to inspire endlessly, we offer a
vast collection of books, ranging from classic literary works to
specialized publications, self-development books, and children's
literature. Each book is a new journey of discovery, expanding
knowledge and enriching the soul of the reade

Our website is not just a platform for buying books, but a bridge
connecting readers to the timeless values of culture and wisdom. With
an elegant, user-friendly interface and an intelligent search system,
we are committed to providing a quick and convenient shopping
experience. Additionally, our special promotions and home delivery
services ensure that you save time and fully enjoy the joy of reading.

Let us accompany you on the journey of exploring knowledge and

personal growth!

textbookfull.com