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

Klasyfikatory kuchni 1

W tej lekcji użyjesz zestawu danych, który zapisałeś z poprzedniej lekcji, pełnego zrównoważonych, czystych danych dotyczących kuchni.

Użyjesz tego zestawu danych z różnymi klasyfikatorami, aby przewidzieć daną kuchnię narodową na podstawie grupy składników. Przy okazji dowiesz się więcej o różnych sposobach wykorzystywania algorytmów do zadań klasyfikacji.

Quiz przed wykładem

Przygotowanie

Zakładając, że ukończyłeś Lekcję 1, upewnij się, że w głównym folderze /data na potrzeby tych czterech lekcji istnieje plik cleaned_cuisines.csv.

Ćwiczenie - przewidywanie kuchni narodowej

1. Pracując w folderze notebook.ipynb z tej lekcji, zaimportuj ten plik wraz z biblioteką Pandas:

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

   Dane wyglądają tak:

	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. Teraz zaimportuj kilka innych bibliotek:

   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. Podziel współrzędne X i y na dwa dataframe’y do trenowania. cuisine może być dataframe’m etykiet:

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

   Będzie wyglądać tak:

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

3. Usuń kolumnę Unnamed: 0 oraz kolumnę cuisine, wywołując drop(). Resztę danych zapisz jako cechy do trenowania:

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

   Twoje cechy wyglądają tak:

	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

Teraz jesteś gotów do trenowania modelu!

Wybór klasyfikatora

Po oczyszczeniu danych i przygotowaniu ich do trenowania musisz zdecydować, którego algorytmu użyć.

Scikit-learn grupuje klasyfikację w ramach Uczenia Nadzorowanego (Supervised Learning), a w tej kategorii znajdziesz wiele sposobów klasyfikacji. Różnorodność może na początku przytłaczać. Poniższe metody obejmują techniki klasyfikacyjne:

• Model liniowy
• Maszyny wektorów nośnych (Support Vector Machines)
• Stoachastyczny spadek gradientu (Stochastic Gradient Descent)
• Najbliżsi sąsiedzi (Nearest Neighbors)
• Procesy Gaussowskie
• Drzewa decyzyjne
• Metody zespołowe (voting Classifier)
• Algorytmy wieloklasowe i wielowyjściowe (wieloklasowa i wieloetykietowa klasyfikacja, wieloklasowa klasyfikacja wielowyjściowa)

Możesz również użyć sieci neuronowych do klasyfikacji danych, ale to wykracza poza zakres tej lekcji.

Który klasyfikator wybrać?

Zatem, który klasyfikator wybrać? Często sposób polega na przetestowaniu kilku i poszukaniu dobrego wyniku. Scikit-learn oferuje porównanie obok siebie na utworzonym zbiorze danych, porównując KNeighbors, SVC dwoma metodami, GaussianProcessClassifier, DecisionTreeClassifier, RandomForestClassifier, MLPClassifier, AdaBoostClassifier, GaussianNB i QuadraticDiscrinationAnalysis, pokazując wyniki wizualizowane:

Wykresy wygenerowane w dokumentacji Scikit-learn

AutoML rozwiązuje ten problem sprawnie, uruchamiając te porównania w chmurze i pozwalając na wybór najlepszego algorytmu dla twoich danych. Spróbuj tutaj

Lepsze podejście

Lepszym, niż przypadkowe próby, jest zapoznanie się z ideami zawartymi w do pobrania ściągawce ML. Tutaj odkrywamy, że dla naszego problemu wieloklasowego mamy pewne opcje:

Fragment ściągawki Microsoftu dotyczącej wyboru algorytmu, opisujący możliwości klasyfikacji wieloklasowej

✅ Pobierz tę ściągawkę, wydrukuj i powieś na ścianie!

Rozumowanie

Zobaczmy, czy możemy rozumowo przeanalizować różne podejścia biorąc pod uwagę dostępne ograniczenia:

• Sieci neuronowe są zbyt ciężkie. Mając czysty, ale minimalny zestaw danych oraz fakt, że trening odbywa się lokalnie w notebookach, sieci neuronowe są zbyt zasobożerne do tego zadania.
• Brak klasyfikatora dwu-klasowego. Nie korzystamy z klasyfikatora dwu-klasowego, więc wykluczamy one-vs-all.
• Drzewo decyzyjne lub regresja logistyczna mogą zadziałać. Drzewo decyzyjne może się sprawdzić, lub regresja logistyczna dla danych wieloklasowych.
• Wieloklasowe Boosted Decision Trees rozwiązują inny problem. Wieloklasowe zwiększane drzewa decyzyjne nadają się do zadań nieparametrycznych, np. budowania rankingów, więc nie są dla nas przydatne.

Używanie Scikit-learn

Będziemy używać Scikit-learn do analizy naszych danych. Jednak istnieje wiele sposobów użycia regresji logistycznej w Scikit-learn. Spójrz na parametry, które można przekazać.

Istotne są dwa parametry - multi_class i solver - które musimy określić, gdy prosimy Scikit-learn o regresję logistyczną. Wartość multi_class określa określone zachowanie. solver to wybrany algorytm. Nie wszystkie solvery mogą być łączone z wszystkimi wartościami multi_class.

Z dokumentacji wynika, że w przypadku wieloklasowym algorytm treningu:

• używa schematu one-vs-rest (OvR), jeśli opcja multi_class jest ustawiona na ovr
• używa funkcji straty entropii krzyżowej, jeśli opcja multi_class jest ustawiona na multinomial. (Obecnie opcja multinomial jest wspierana tylko przez solvery ‘lbfgs’, ‘sag’, ‘saga’ oraz ‘newton-cg’)."

🎓 'Schemat' może być „ovr” (one-vs-rest) lub „multinomial”. Regresja logistyczna jest projektowana głównie do klasyfikacji binarnej, te schematy umożliwiają lepszą obsługę zadań klasyfikacji wieloklasowej. źródło

🎓 'Solver' to „algorytm używany w problemie optymalizacji”. źródło.

Scikit-learn oferuje tę tabelę wyjaśniającą, jak solvery radzą sobie z różnymi wyzwaniami wynikającymi z różnego rodzaju struktur danych:

Ćwiczenie - podziel dane

Możemy skupić się na regresji logistycznej jako naszym pierwszym próbnym treningu, ponieważ niedawno uczyłeś się o niej na poprzedniej lekcji.
Podziel dane na grupy treningowe i testowe, wywołując train_test_split():

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

Ćwiczenie - zastosuj regresję logistyczną

Ponieważ używasz przypadku wieloklasowego, musisz zdecydować, jaki schemat zastosować i jaki solver ustawić. Użyj LogisticRegression z ustawieniem wieloklasowym i solverem liblinear do treningu.

1. Utwórz regresję logistyczną z multi_class ustawionym na ovr i solverem ustawionym na 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))
   

   ✅ Spróbuj innego solvera, np. lbfgs, który często jest ustawiony jako domyślny

   Uwaga, użyj funkcji Pandas ravel do spłaszczania danych, gdy jest to potrzebne.

   Dokładność jest dobra, ponad 80%!

2. Możesz zobaczyć działanie modelu, testując jeden wiersz danych (#50):

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

   Wynik jest wyświetlany:

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

   ✅ Spróbuj innego numeru wiersza i sprawdź wyniki

3. Zagłębiając się bardziej, możesz sprawdzić dokładność tej prognozy:

   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()
   

   Wynik jest wydrukowany - kuchnia indyjska to najlepsze przypuszczenie, z dużym prawdopodobieństwem:

   	0
   indian	0.715851
   chinese	0.229475
   japanese	0.029763
   korean	0.017277
   thai	0.007634

   ✅ Czy możesz wyjaśnić, dlaczego model jest dość pewny, że to kuchnia indyjska?

4. Uzyskaj więcej szczegółów, drukując raport klasyfikacji, tak jak robiłeś to na lekcjach regresji:

   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

🚀Wyzwanie

Na tej lekcji użyłeś swoich oczyszczonych danych do zbudowania modelu uczenia maszynowego, który potrafi przewidzieć narodową kuchnię na podstawie zestawu składników. Poświęć trochę czasu, aby zapoznać się z wieloma opcjami oferowanymi przez Scikit-learn do klasyfikacji danych. Zagłęb się w pojęcie 'solver', aby zrozumieć, co dzieje się za kulisami.

Quiz po wykładzie

Przegląd i samodzielna nauka

Zagłęb się nieco bardziej w matematykę stojącą za regresją logistyczną w tej lekcji

Zadanie

Przestudiuj solvery

---

Zastrzeżenie:
Niniejszy dokument został przetłumaczony za pomocą usługi tłumaczenia AI Co-op Translator. Chociaż dążymy do dokładności, prosimy pamiętać, że tłumaczenia automatyczne mogą zawierać błędy lub niedokładności. Oryginalny dokument w języku źródłowym powinien być uważany za autorytatywne źródło. W przypadku informacji krytycznych zalecane jest skorzystanie z profesjonalnego tłumaczenia wykonanego przez człowieka. Nie ponosimy odpowiedzialności za jakiekolwiek nieporozumienia lub błędne interpretacje wynikające z korzystania z tego tłumaczenia.