|
|
# Cuisine classifiers 2
|
|
|
|
|
|
在第二节分类课程中，您将探索更多对数值数据进行分类的方法。您还将了解选择不同分类器的影响。
|
|
|
|
|
|
## [课前测验](https://ff-quizzes.netlify.app/en/ml/)
|
|
|
|
|
|
### 先决条件
|
|
|
|
|
|
假设您已经完成了之前的课程，并且在该 4 节课程文件夹根目录的 `data` 文件夹中有一个清洗好的数据集文件 _cleaned_cuisines.csv_。
|
|
|
|
|
|
### 准备工作
|
|
|
|
|
|
我们已经加载了包含清洗后数据集的 _notebook.ipynb_ 文件，并将其分拆成 X 和 y 两个数据框，准备好进行模型构建。
|
|
|
|
|
|
## 分类图谱
|
|
|
|
|
|
之前，您通过微软的分类小抄了解了分类数据时的各种选择。Scikit-learn 提供了一个类似但更细致的分类小抄，可以进一步帮助收窄你的估计器（分类器）选择：
|
|
|
|
|
|
|
|
|
> 提示: [在线查看该图谱](https://scikit-learn.org/stable/tutorial/machine_learning_map/) 并点击路径查看文档。
|
|
|
|
|
|
### 计划
|
|
|
|
|
|
一旦您对数据有了清晰的理解，这张图谱非常有帮助，您可以沿着路径做决策：
|
|
|
|
|
|
- 我们有超过 50 个样本
|
|
|
- 我们想预测一个类别
|
|
|
- 我们有标签数据
|
|
|
- 我们有少于 10 万个样本
|
|
|
- ✨ 我们可以选择线性 SVC
|
|
|
- 如果不行，因为我们有数值数据
|
|
|
- 可以尝试 ✨ KNeighbors 分类器
|
|
|
- 如果不行，再尝试 ✨ SVC 和 ✨ 集成分类器
|
|
|
|
|
|
这是一个很有帮助的思路路径。
|
|
|
|
|
|
## 练习 - 拆分数据
|
|
|
|
|
|
沿着这个路径，先导入一些需要使用的库。
|
|
|
|
|
|
1. 导入所需的库：
|
|
|
|
|
|
```python
|
|
|
from sklearn.neighbors import KNeighborsClassifier
|
|
|
from sklearn.linear_model import LogisticRegression
|
|
|
from sklearn.svm import SVC
|
|
|
from sklearn.ensemble import RandomForestClassifier, AdaBoostClassifier
|
|
|
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
|
|
|
import numpy as np
|
|
|
```
|
|
|
|
|
|
1. 拆分训练集和测试集：
|
|
|
|
|
|
```python
|
|
|
X_train, X_test, y_train, y_test = train_test_split(cuisines_features_df, cuisines_label_df, test_size=0.3)
|
|
|
```
|
|
|
|
|
|
## 线性 SVC 分类器
|
|
|
|
|
|
支持向量机（SVC）是支持向量机家族的机器学习技术之一（后文将深入了解）。此方法中，您可以选用“核函数”来决定如何聚类标签。“C”参数指正则化，控制参数对模型的影响。核函数可以是 [多种](https://scikit-learn.org/stable/modules/generated/sklearn.svm.SVC.html#sklearn.svm.SVC)之一；这里我们将其设为 'linear' 以使用线性 SVC。概率默认是 'false'；这里设置为 'true' 以收集概率估计。为了打乱数据并得到概率，我们将随机状态设为 '0'。
|
|
|
|
|
|
### 练习 - 应用线性 SVC
|
|
|
|
|
|
先创建一个分类器数组，后续测试将逐步添加。
|
|
|
|
|
|
1. 先创建一个线性 SVC:
|
|
|
|
|
|
```python
|
|
|
C = 10
|
|
|
# 创建不同的分类器。
|
|
|
classifiers = {
|
|
|
'Linear SVC': SVC(kernel='linear', C=C, probability=True,random_state=0)
|
|
|
}
|
|
|
```
|
|
|
|
|
|
2. 用线性 SVC 训练模型并打印报告：
|
|
|
|
|
|
```python
|
|
|
n_classifiers = len(classifiers)
|
|
|
|
|
|
for index, (name, classifier) in enumerate(classifiers.items()):
|
|
|
classifier.fit(X_train, np.ravel(y_train))
|
|
|
|
|
|
y_pred = classifier.predict(X_test)
|
|
|
accuracy = accuracy_score(y_test, y_pred)
|
|
|
print("Accuracy (train) for %s: %0.1f%% " % (name, accuracy * 100))
|
|
|
print(classification_report(y_test,y_pred))
|
|
|
```
|
|
|
|
|
|
结果相当不错：
|
|
|
|
|
|
```output
|
|
|
Accuracy (train) for Linear SVC: 78.6%
|
|
|
precision recall f1-score support
|
|
|
|
|
|
chinese 0.71 0.67 0.69 242
|
|
|
indian 0.88 0.86 0.87 234
|
|
|
japanese 0.79 0.74 0.76 254
|
|
|
korean 0.85 0.81 0.83 242
|
|
|
thai 0.71 0.86 0.78 227
|
|
|
|
|
|
accuracy 0.79 1199
|
|
|
macro avg 0.79 0.79 0.79 1199
|
|
|
weighted avg 0.79 0.79 0.79 1199
|
|
|
```
|
|
|
|
|
|
## K-邻近分类器
|
|
|
|
|
|
K-邻近属于邻居类机器学习方法，可用于有监督和无监督学习。此方法定义预设点数，数据聚集于这些点周围，从而预测数据的一般化标签。
|
|
|
|
|
|
### 练习 - 应用 K-邻近分类器
|
|
|
|
|
|
先前的分类器效果不错，并且适配数据，但我们可能能得到更好的准确率。试试 K-邻近分类器。
|
|
|
|
|
|
1. 在分类器数组中添加一行（在线性 SVC 项后添加逗号）：
|
|
|
|
|
|
```python
|
|
|
'KNN classifier': KNeighborsClassifier(C),
|
|
|
```
|
|
|
|
|
|
结果稍差一点：
|
|
|
|
|
|
```output
|
|
|
Accuracy (train) for KNN classifier: 73.8%
|
|
|
precision recall f1-score support
|
|
|
|
|
|
chinese 0.64 0.67 0.66 242
|
|
|
indian 0.86 0.78 0.82 234
|
|
|
japanese 0.66 0.83 0.74 254
|
|
|
korean 0.94 0.58 0.72 242
|
|
|
thai 0.71 0.82 0.76 227
|
|
|
|
|
|
accuracy 0.74 1199
|
|
|
macro avg 0.76 0.74 0.74 1199
|
|
|
weighted avg 0.76 0.74 0.74 1199
|
|
|
```
|
|
|
|
|
|
✅ 学习关于 [K-邻近](https://scikit-learn.org/stable/modules/neighbors.html#neighbors)
|
|
|
|
|
|
## 支持向量分类器
|
|
|
|
|
|
支持向量分类器是 [支持向量机](https://wikipedia.org/wiki/Support-vector_machine) 家族的机器学习方法，用于分类与回归任务。支持向量机“将训练样本映射为空间中的点”，以最大化两类别之间的距离。之后的数据映射进空间以预测类别。
|
|
|
|
|
|
### 练习 - 应用支持向量分类器
|
|
|
|
|
|
尝试用支持向量分类器提升准确率。
|
|
|
|
|
|
1. 在 K-邻近项后加逗号，然后添加此行：
|
|
|
|
|
|
```python
|
|
|
'SVC': SVC(),
|
|
|
```
|
|
|
|
|
|
结果很不错！
|
|
|
|
|
|
```output
|
|
|
Accuracy (train) for SVC: 83.2%
|
|
|
precision recall f1-score support
|
|
|
|
|
|
chinese 0.79 0.74 0.76 242
|
|
|
indian 0.88 0.90 0.89 234
|
|
|
japanese 0.87 0.81 0.84 254
|
|
|
korean 0.91 0.82 0.86 242
|
|
|
thai 0.74 0.90 0.81 227
|
|
|
|
|
|
accuracy 0.83 1199
|
|
|
macro avg 0.84 0.83 0.83 1199
|
|
|
weighted avg 0.84 0.83 0.83 1199
|
|
|
```
|
|
|
|
|
|
✅ 学习关于 [支持向量](https://scikit-learn.org/stable/modules/svm.html#svm)
|
|
|
|
|
|
## 集成分类器
|
|
|
|
|
|
我们沿路径尝试到最终，尽管之前测试效果不错，还是试试“集成分类器”，具体是随机森林和 AdaBoost：
|
|
|
|
|
|
```python
|
|
|
'RFST': RandomForestClassifier(n_estimators=100),
|
|
|
'ADA': AdaBoostClassifier(n_estimators=100)
|
|
|
```
|
|
|
|
|
|
结果非常好，特别是随机森林：
|
|
|
|
|
|
```output
|
|
|
Accuracy (train) for RFST: 84.5%
|
|
|
precision recall f1-score support
|
|
|
|
|
|
chinese 0.80 0.77 0.78 242
|
|
|
indian 0.89 0.92 0.90 234
|
|
|
japanese 0.86 0.84 0.85 254
|
|
|
korean 0.88 0.83 0.85 242
|
|
|
thai 0.80 0.87 0.83 227
|
|
|
|
|
|
accuracy 0.84 1199
|
|
|
macro avg 0.85 0.85 0.84 1199
|
|
|
weighted avg 0.85 0.84 0.84 1199
|
|
|
|
|
|
Accuracy (train) for ADA: 72.4%
|
|
|
precision recall f1-score support
|
|
|
|
|
|
chinese 0.64 0.49 0.56 242
|
|
|
indian 0.91 0.83 0.87 234
|
|
|
japanese 0.68 0.69 0.69 254
|
|
|
korean 0.73 0.79 0.76 242
|
|
|
thai 0.67 0.83 0.74 227
|
|
|
|
|
|
accuracy 0.72 1199
|
|
|
macro avg 0.73 0.73 0.72 1199
|
|
|
weighted avg 0.73 0.72 0.72 1199
|
|
|
```
|
|
|
|
|
|
✅ 学习关于 [集成分类器](https://scikit-learn.org/stable/modules/ensemble.html)
|
|
|
|
|
|
这种机器学习方法“结合多个基估计器的预测”来提升模型质量。在我们的示例中，使用了随机树和 AdaBoost。
|
|
|
|
|
|
- [随机森林](https://scikit-learn.org/stable/modules/ensemble.html#forest)，一种平均方法，构建大量注入随机性的“决策树”的森林以避免过拟合。n_estimators 参数设为树的数量。
|
|
|
|
|
|
- [AdaBoost](https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.AdaBoostClassifier.html) 拟合一个分类器到数据集，然后拟合该分类器的副本到同一数据集。它关注分类错误样本的权重，并调整后续分类器的拟合以纠正错误。
|
|
|
|
|
|
---
|
|
|
|
|
|
## 🚀挑战
|
|
|
|
|
|
每种技术都有大量参数可调。研究它们各自的默认参数，思考调整这些参数对模型质量意味着什么。
|
|
|
|
|
|
## [课后测验](https://ff-quizzes.netlify.app/en/ml/)
|
|
|
|
|
|
## 复习与自学
|
|
|
|
|
|
这些课程中有大量术语，花点时间复习 [这份术语表](https://docs.microsoft.com/dotnet/machine-learning/resources/glossary?WT.mc_id=academic-77952-leestott) 吧！
|
|
|
|
|
|
## 作业
|
|
|
|
|
|
[参数练习](assignment.md)
|
|
|
|
|
|
---
|
|
|
|
|
|
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
|
|
**免责声明**：
|
|
|
本文档使用AI翻译服务[Co-op Translator](https://github.com/Azure/co-op-translator)进行翻译。虽然我们努力确保准确性，但请注意自动翻译可能包含错误或不准确之处。原始语言的文档应被视为权威来源。对于关键信息，建议使用专业人工翻译。我们不对因使用本翻译而产生的任何误解或误释承担责任。
|
|
|
<!-- CO-OP TRANSLATOR DISCLAIMER END --> |
