# Классификаторы кухни 1 В этом уроке вы будете использовать набор данных, который сохранили в прошлом уроке, полный сбалансированных, чистых данных о кухнях. Вы будете использовать этот набор данных с различными классификаторами, чтобы _предсказать национальную кухню по набору ингредиентов_. При этом вы узнаете больше о некоторых способах использования алгоритмов для задач классификации. ## [Тест перед лекцией](https://ff-quizzes.netlify.app/en/ml/) # Подготовка Если вы завершили [Урок 1](../1-Introduction/README.md), убедитесь, что файл _cleaned_cuisines.csv_ существует в корневой папке `/data` для этих четырёх уроков. ## Упражнение – предсказать национальную кухню 1. Работая в папке _notebook.ipynb_ этого урока, импортируйте этот файл вместе с библиотекой Pandas: ```python import pandas as pd cuisines_df = pd.read_csv("../data/cleaned_cuisines.csv") cuisines_df.head() ``` Данные выглядят так: | | Unnamed: 0 | cuisine | almond | angelica | anise | anise_seed | apple | apple_brandy | apricot | armagnac | ... | whiskey | white_bread | white_wine | whole_grain_wheat_flour | wine | wood | yam | yeast | yogurt | zucchini | | --- | ---------- | ------- | ------ | -------- | ----- | ---------- | ----- | ------------ | ------- | -------- | --- | ------- | ----------- | ---------- | ----------------------- | ---- | ---- | --- | ----- | ------ | -------- | | 0 | 0 | indian | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | ... | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | | 1 | 1 | indian | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | ... | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | | 2 | 2 | indian | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | ... | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | | 3 | 3 | indian | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | ... | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | | 4 | 4 | indian | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | ... | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 1. Теперь импортируйте ещё несколько библиотек: ```python from sklearn.linear_model import LogisticRegression from sklearn.model_selection import train_test_split, cross_val_score from sklearn.metrics import accuracy_score,precision_score,confusion_matrix,classification_report, precision_recall_curve from sklearn.svm import SVC import numpy as np ``` 1. Разделите координаты X и y на два датафрейма для обучения. `cuisine` может быть датафреймом с метками: ```python cuisines_label_df = cuisines_df['cuisine'] cuisines_label_df.head() ``` Это будет выглядеть так: ```output 0 indian 1 indian 2 indian 3 indian 4 indian Name: cuisine, dtype: object ``` 1. Удалите столбцы `Unnamed: 0` и `cuisine`, вызвав метод `drop()`. Сохраните оставшиеся данные как признаки для обучения: ```python cuisines_feature_df = cuisines_df.drop(['Unnamed: 0', 'cuisine'], axis=1) cuisines_feature_df.head() ``` Ваши признаки выглядят так: | | almond | angelica | anise | anise_seed | apple | apple_brandy | apricot | armagnac | artemisia | artichoke | ... | whiskey | white_bread | white_wine | whole_grain_wheat_flour | wine | wood | yam | yeast | yogurt | zucchini | | ---: | -----: | -------: | ----: | ---------: | ----: | -----------: | ------: | -------: | --------: | --------: | ---: | ------: | ----------: | ---------: | ----------------------: | ---: | ---: | ---: | ----: | -----: | -------: | | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | ... | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | | 1 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | ... | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | | 2 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | ... | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | | 3 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | ... | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | | 4 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | ... | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | Теперь вы готовы обучить вашу модель! ## Выбор классификатора Теперь, когда ваши данные чистые и готовы к обучению, вам нужно решить, какой алгоритм использовать для задачи. Scikit-learn объединяет классификацию под категорией Обучение с учителем, и в этой категории вы найдете много способов классифицировать. [Разнообразие](https://scikit-learn.org/stable/supervised_learning.html) сначала может ошеломить. Следующие методы включают техники классификации: - Линейные модели - Машины опорных векторов - Стохастический градиентный спуск - Ближайшие соседи - Гауссовские процессы - Деревья решений - Ансамблевые методы (голосование классификаторов) - Многоклассовые и многоцелевые алгоритмы (многоклассовая и многометочная классификация, многоклассово-многоцелевой классификатор) > Вы также можете использовать [нейронные сети для классификации данных](https://scikit-learn.org/stable/modules/neural_networks_supervised.html#classification), но это вне рамок данного урока. ### Какой классификатор выбрать? Итак, какой классификатор выбрать? Часто эффективным способом является запуск нескольких и поиск хорошего результата. Scikit-learn предлагает [побочное сравнение](https://scikit-learn.org/stable/auto_examples/classification/plot_classifier_comparison.html) на созданном наборе данных, сравнивая KNeighbors, SVC двумя способами, GaussianProcessClassifier, DecisionTreeClassifier, RandomForestClassifier, MLPClassifier, AdaBoostClassifier, GaussianNB и QuadraticDiscrinationAnalysis, показывая результаты визуализированными: ![сравнение классификаторов](../../../../translated_images/ru/comparison.edfab56193a85e7f.webp) > Графики из документации Scikit-learn > AutoML решает эту задачу аккуратно, запуская эти сравнения в облаке, позволяя вам выбрать лучший алгоритм для ваших данных. Попробуйте [здесь](https://docs.microsoft.com/learn/modules/automate-model-selection-with-azure-automl/?WT.mc_id=academic-77952-leestott) ### Лучший подход Лучшим методом, чем слепое угадывание, является следование идеям из этого загружаемого [справочника по ML](https://docs.microsoft.com/azure/machine-learning/algorithm-cheat-sheet?WT.mc_id=academic-77952-leestott). Здесь мы узнаём, что для нашей задачи с многоклассовой классификацией у нас есть несколько вариантов: ![шпаргалка по многоклассовым задачам](../../../../translated_images/ru/cheatsheet.07a475ea444d2223.webp) > Раздел справочника Microsoft по алгоритмам, описывающий варианты многоклассовой классификации ✅ Скачайте этот справочник, распечатайте и повесьте на стену! ### Рассуждения Давайте попробуем рассуждать по поводу разных подходов с учётом имеющихся ограничений: - **Нейронные сети слишком тяжёлые**. Учитывая наш чистый, но небольшой набор данных и тот факт, что обучение проводится локально в ноутбуках, нейронные сети слишком ресурсоёмки для этой задачи. - **Нет двухклассового классификатора**. Мы не используем классификатор для двух классов, это исключает схему один-против-всех. - **Дерево решений или логистическая регрессия могут подойти**. Дерево решений может подойти, или логистическая регрессия для многоклассовых данных. - **Многоклассовые бустинговые деревья решают другую задачу**. Они более подходящи для непараметрических задач, например, для построения ранжирований, что нам не нужно. ### Использование Scikit-learn Мы будем использовать Scikit-learn для анализа наших данных. Однако существует много способов использовать логистическую регрессию в Scikit-learn. Посмотрите параметры, которые можно передать [здесь](https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html?highlight=logistic%20regressio#sklearn.linear_model.LogisticRegression). В основном, есть два важных параметра — `multi_class` и `solver` — которые нужно указать, когда вы просите Scikit-learn выполнить логистическую регрессию. Значение `multi_class` задаёт определённое поведение. Значение `solver` указывает, какой алгоритм использовать. Не все решения (solvers) совместимы со всеми значениями `multi_class`. Согласно документации, в случае многоклассовой задачи алгоритм обучения: - **Использует схему one-vs-rest (OvR)**, если опция `multi_class` установлена в `ovr` - **Использует функцию потерь кросс-энтропии**, если `multi_class` установлена в `multinomial`. (В настоящее время опция `multinomial` поддерживается только решателями ‘lbfgs’, ‘sag’, ‘saga’ и ‘newton-cg’)." > 🎓 Здесь 'scheme' может быть 'ovr' (один-против-остальных) или 'multinomial'. Поскольку логистическая регрессия изначально предназначена для бинарной классификации, эти схемы позволяют лучше обрабатывать многоклассовые задачи. [источник](https://machinelearningmastery.com/one-vs-rest-and-one-vs-one-for-multi-class-classification/) > 🎓 'Solver' определяется как "алгоритм, используемый для решения задачи оптимизации". [источник](https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html?highlight=logistic%20regressio#sklearn.linear_model.LogisticRegression). Scikit-learn предлагает эту таблицу, чтобы объяснить, как решатели справляются с различными типами данных: ![решатели](../../../../translated_images/ru/solvers.5fc648618529e627.webp) ## Упражнение – разделение данных Мы можем сосредоточиться на логистической регрессии для первой попытки обучения, так как вы недавно изучали её в предыдущем уроке. Разделите данные на обучающую и тестовую выборки, вызвав `train_test_split()`: ```python X_train, X_test, y_train, y_test = train_test_split(cuisines_feature_df, cuisines_label_df, test_size=0.3) ``` ## Упражнение – применить логистическую регрессию Так как вы используете многоклассовый случай, нужно выбрать, какую _схему_ использовать и какой _решатель_ задать. Используйте LogisticRegression с многоклассовой настройкой и решателем **liblinear** для обучения. 1. Создайте логистическую регрессию с параметром multi_class, установленным в `ovr`, и решателем, установленным в `liblinear`: ```python lr = LogisticRegression(multi_class='ovr',solver='liblinear') model = lr.fit(X_train, np.ravel(y_train)) accuracy = model.score(X_test, y_test) print ("Accuracy is {}".format(accuracy)) ``` ✅ Попробуйте другой решатель, например `lbfgs`, который часто используется по умолчанию > Обратите внимание, используйте функцию Pandas [`ravel`](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.Series.ravel.html) для уплощения данных, когда это необходимо. Точность хорошая — более **80%**! 1. Вы можете увидеть работу модели, проверив одну строку данных (#50): ```python print(f'ingredients: {X_test.iloc[50][X_test.iloc[50]!=0].keys()}') print(f'cuisine: {y_test.iloc[50]}') ``` Результат выводится: ```output ingredients: Index(['cilantro', 'onion', 'pea', 'potato', 'tomato', 'vegetable_oil'], dtype='object') cuisine: indian ``` ✅ Попробуйте другой номер строки и проверьте результаты 1. Вникая глубже, вы можете проверить точность этого предсказания: ```python test= X_test.iloc[50].values.reshape(-1, 1).T proba = model.predict_proba(test) classes = model.classes_ resultdf = pd.DataFrame(data=proba, columns=classes) topPrediction = resultdf.T.sort_values(by=[0], ascending = [False]) topPrediction.head() ``` Результат напечатан – индийская кухня является лучшим предположением с высокой вероятностью: | | 0 | | -------: | -------: | | indian | 0.715851 | | chinese | 0.229475 | | japanese | 0.029763 | | korean | 0.017277 | | thai | 0.007634 | ✅ Можете ли вы объяснить, почему модель достаточно уверена, что это индийская кухня? 1. Получите больше информации, распечатав отчет о классификации, как вы делали в уроках по регрессии: ```python y_pred = model.predict(X_test) print(classification_report(y_test,y_pred)) ``` | | precision | recall | f1-score | support | | ------------ | --------- | ------ | -------- | ------- | | chinese | 0.73 | 0.71 | 0.72 | 229 | | indian | 0.91 | 0.93 | 0.92 | 254 | | japanese | 0.70 | 0.75 | 0.72 | 220 | | korean | 0.86 | 0.76 | 0.81 | 242 | | thai | 0.79 | 0.85 | 0.82 | 254 | | accuracy | | | 0.80 | 1199 | | macro avg | 0.80 | 0.80 | 0.80 | 1199 | | weighted avg | 0.80 | 0.80 | 0.80 | 1199 | ## 🚀Задача В этом уроке вы использовали очищенные данные для построения модели машинного обучения, которая может предсказывать национальную кухню на основе набора ингредиентов. Найдите время, чтобы изучить множество вариантов, которые предоставляет Scikit-learn для классификации данных. Глубже разберитесь в концепции «решателя» (solver), чтобы понять, что происходит за кулисами. ## [Викторина после лекции](https://ff-quizzes.netlify.app/en/ml/) ## Обзор и самостоятельное изучение Углубитесь в математику, лежащую в основе логистической регрессии, в [этом уроке](https://people.eecs.berkeley.edu/~russell/classes/cs194/f11/lectures/CS194%20Fall%202011%20Lecture%2006.pdf) ## Задание [Изучите решатели](assignment.md) --- **Отказ от ответственности**: Этот документ был переведён с помощью сервиса автоматического перевода [Co-op Translator](https://github.com/Azure/co-op-translator). Хотя мы стремимся к точности, имейте в виду, что автоматические переводы могут содержать ошибки или неточности. Оригинальный документ на родном языке следует считать авторитетным источником. Для получения критически важной информации рекомендуется обращаться к профессиональному человеческому переводу. Мы не несем ответственности за любые недоразумения или неправильные толкования, возникшие в результате использования данного перевода.