ML-For-Beginners/translations/lt/4-Classification/2-Classifiers-1

Virtuvių klasifikatoriai 1

Šiame pamokoje naudosite duomenų rinkinį, kurį išsaugojote iš paskutinės pamokos, pilną subalansuotų, švarių duomenų apie virtuves.

Naudosite šį duomenų rinkinį su įvairiais klasifikatoriais, kad numatytumėte tam tikrą nacionalinę virtuvę pagal ingredientų grupę. Tai darydami sužinosite daugiau apie kai kuriuos būdus, kaip algoritmai gali būti panaudoti klasifikavimo užduotims.

Išankstinis paskaitos testas

Paruošimas

Jei baigėte 1-ą pamoką, įsitikinkite, kad šių keturių pamokų metu turite cleaned_cuisines.csv failą pagrindiniame /data kataloge.

Užduotis - numatyti nacionalinę virtuvę

1. Šios pamokos notebook.ipynb aplanke importuokite tą failą kartu su Pandas biblioteka:

   import pandas as pd
   cuisines_df = pd.read_csv("../data/cleaned_cuisines.csv")
   cuisines_df.head()
   

   Duomenys atrodo taip:

	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. Dabar importuokite dar kelias bibliotekas:

   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
   

2. Padalinkite X ir y koordinates į du duomenų kadrus treniravimui. cuisine gali būti žymių duomenų kadras:

   cuisines_label_df = cuisines_df['cuisine']
   cuisines_label_df.head()
   

   Atrodys taip:

   0    indian
   1    indian
   2    indian
   3    indian
   4    indian
   Name: cuisine, dtype: object
   

3. Išmeskite Unnamed: 0 ir cuisine stulpelius, naudodami drop(). Likusius duomenis išsaugokite kaip treniruojamus požymius:

   cuisines_feature_df = cuisines_df.drop(['Unnamed: 0', 'cuisine'], axis=1)
   cuisines_feature_df.head()
   

   Jūsų požymiai atrodo taip:

	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
1	1	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
3	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

Dabar jūs pasiruošę treniruoti modelį!

Klasifikatoriaus pasirinkimas

Kadangi jūsų duomenys švarūs ir pasiruošę mokymuisi, turite nuspręsti, kurį algoritmą naudoti šiai užduočiai.

Scikit-learn klasifikaciją priskiria prie Prižiūrimo mokymosi (Supervised Learning), o šioje kategorijoje rasite daug skirtingų būdų klasifikuoti. Įvairovė iš pirmo žvilgsnio yra ganėtinai didelė. Šie metodai visi apima klasifikavimo technikas:

• Linijiniai modeliai
• Atraminiai vektorių mašinos
• Stochastinis nuolydžio nusileidimas
• Artimiausių kaimynų metodas
• Gauso procesai
• Sprendimų medžiai
• Ansamblio metodai (voting Classifier)
• Keliaklasiai ir kelių išėjimų algoritmai (multiclass ir multilabel klasifikacija, multiclass-multioutput klasifikacija)

Taip pat galite naudoti dirbtinius neuroninius tinklus duomenims klasifikuoti, tačiau tai ne šios pamokos tema.

Kuri klasifikatorių pasirinkti?

Taigi, kurį klasifikatorių rinktis? Dažnai naudinga išbandyti kelis ir ieškoti geriausio rezultato. Scikit-learn siūlo šalia šalia palyginimą sukurtame duomenų rinkinyje, palyginant KNeighbors, SVC dviem būdais, GaussianProcessClassifier, DecisionTreeClassifier, RandomForestClassifier, MLPClassifier, AdaBoostClassifier, GaussianNB ir QuadraticDiscrinationAnalysis, rodydami rezultatus vizualiai:

Grafikai pagal Scikit-learn dokumentaciją

AutoML šią problemą sprendžia efektyviai vykdydamas šiuos palyginimus debesyje ir leydamas išsirinkti geriausią algoritmą jūsų duomenims. Išbandykite čia

Geresnis požiūris

Tačiau geresnis būdas nei laužtu būdu spėlioti – sekti mintimis šioje atsisiunčiamoje ML „Cheat sheet“. Čia mes atrandame, kad mūsų keliaklasiui problemos sprendimui turime šiuos pasirinkimus:

Microsoft algoritmų „Cheat sheet“ ištrauka, aprašanti keliaklasių klasifikavimo galimybes

✅ Atsisiųskite šį lapelį, išspausdinkite ir prikabinkite prie sienos!

Argumentacija

Pažiūrėkime, ar galime pamąstyti apie skirtingus požiūrius atsižvelgiant į turimas sąlygas:

• Neuroniniai tinklai yra per sunkūs. Atsižvelgiant į švarius, bet minimaliai didelius duomenis ir faktą, kad mokymą vykdome vietoje su užrašų knygelėmis, neuroniniai tinklai yra per sunkūs šiai užduočiai.
• Nenaudojamas dviejų klasių klasifikatorius. Mes nenaudojame dviejų klasių klasifikatoriaus, taigi „one-vs-all“ metodas netinka.
• Sprendimų medis arba logistinė regresija gali veikti. Galėtų tikti sprendimų medis arba logistinė regresija keliaklasiams duomenims.
• Keliaklasiai stiprinami sprendimų medžiai sprendžia kitokį uždavinį. Keliakliai stiprinami sprendimų medžiai labiau tinka neparametrinėms užduotims, pvz., reitingų kūrimui, tad mums nėra naudingi.

Naudojant Scikit-learn

Naudosime Scikit-learn duomenų analizei. Tačiau logistinę regresiją Scikit-learn galima naudoti įvairiais būdais. Pažvelkite į parametrus, kuriuos reikia perduoti.

Iš esmės yra du svarbūs parametrai – multi_class ir solver – kuriuos reikia nurodyti prašant Scikit-learn atlikti logistinę regresiją. multi_class nustato tam tikrą elgesį. solver nurodo, kurį algoritmą naudoti. Ne visi sprendikliai tinka visiems multi_class parinkčių deriniams.

Pagal dokumentaciją, keliaklasiu atveju, treniravimo algoritmas:

• Naudoja one-vs-rest (OvR) schemą, jei multi_class nustatyta į ovr
• Naudoja kryžminio entropijos nuostolio funkciją, jei multi_class nustatyta į multinomial. (Šiuo metu multinomial parinktis palaikoma tik su lbfgs, sag, saga ir newton-cg sprendikliais.)"

🎓 Čia „schema“ gali būti arba ovr (one-vs-rest), arba „multinomial“. Kadangi logistinė regresija iš esmės skirta dvejetainiaiems klasifikavimo uždaviniams, šios schemos leidžia geriau tvarkyti keliaklasius uždavinius. šaltinis

🎓 „Solver“ apibrėžiamas kaip „algoritmas, naudojamas optimizacijos problemai spręsti“. šaltinis.

Scikit-learn pateikia lentelę, kurioje paaiškinama, kaip sprendikliai elgiasi su įvairiais duomenų struktūrų iššūkiais:

Užduotis - padalyti duomenis

Galime sutelkti dėmesį į logistinės regresijos naudojimą kaip pirmąjį treniravimo bandymą, kadangi tai ką tik peržiūrėjote ankstesnėje pamokoje. Padalinkite duomenis į mokymo ir testavimo grupes, naudodami train_test_split():

X_train, X_test, y_train, y_test = train_test_split(cuisines_feature_df, cuisines_label_df, test_size=0.3)

Užduotis - pritaikyti logistinę regresiją

Kadangi naudojate keliaklasių atvejį, turite pasirinkti, kokią schemą naudoti ir kokį sprendiklį nustatyti. Naudokite LogisticRegression su keliaklasių nustatymu ir liblinear sprendikliu mokymui.

1. Sukurkite logistinę regresiją su multi_class nustatytu į ovr ir sprendikliu į liblinear:

   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))
   

   ✅ Išbandykite kitą sprendiklį, pvz. lbfgs, kuris dažnai yra numatytasis

   Atkreipkite dėmesį, kad kai reikia, naudokite Pandas ravel funkciją duomenims suplokšti.

   Tikslumas yra geras – virš 80%!

2. Galite pamatyti, kaip veikia šis modelis, ištestavę vieną duomenų eilutę (#50):

   print(f'ingredients: {X_test.iloc[50][X_test.iloc[50]!=0].keys()}')
   print(f'cuisine: {y_test.iloc[50]}')
   

   Rezultatas išspausdinamas:

   ingredients: Index(['cilantro', 'onion', 'pea', 'potato', 'tomato', 'vegetable_oil'], dtype='object')
   cuisine: indian
   

   ✅ Išbandykite kitą eilutės numerį ir patikrinkite rezultatus

3. Giliau nagrinėjant, galite patikrinti šio spėjimo tikslumą:

   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()
   

   Rezultatas atspausdintas - geriausias spėjimas yra Indijos virtuvė, su gera tikimybe:

   	0
   indian	0.715851
   chinese	0.229475
   japanese	0.029763
   korean	0.017277
   thai	0.007634

   ✅ Ar galite paaiškinti, kodėl modelis yra gana tikras, kad tai yra Indijos virtuvė?

4. Gaukite daugiau detalių atspausdinę klasifikavimo ataskaitą, kaip darėte regresijos pamokose:

   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

🚀Iššūkis

Šioje pamokoje naudojote savo išvalytus duomenis, kad sukurtumėte mašininio mokymosi modelį, galintį prognozuoti nacionalinę virtuvę pagal ingredientų rinkinį. Skirkite laiko perskaityti daugybę variantų, kuriuos Scikit-learn siūlo duomenų klasifikavimui. Gilinkitės į 'solver' sąvoką, kad suprastumėte, kas vyksta užkulisiuose.

Po paskaitos testas

Peržiūra ir savarankiškas mokymasis

Giliau nagrinėkite logistinės regresijos matematiką šioje pamokoje

Namų darbai

Išstudijuokite solverius

---

Atsakomybės atsisakymas:
Šis dokumentas buvo išverstas naudojant AI vertimo paslaugą Co-op Translator. Nors stengiamės užtikrinti tikslumą, prašome atkreipti dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Kritiniais atvejais rekomenduojamas profesionalus žmogaus vertimas. Mes neatsakome už jokius nesusipratimus ar neteisingus interpretavimus, kylant iš šio vertimo naudojimo.