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

Ruokakulttuurien luokittelijat 1

Tässä oppitunnissa käytät viimeiseltä oppitunnilta tallentamaasi tasapainoista, siistiä ruokakulttuureja käsittelevää aineistoa.

Käytät tätä aineistoa erilaisten luokittelijoiden kanssa ennustaaksesi tietyn kansallisen ruokakulttuurin perustuen joukkoon ainesosia. Samalla opit lisää erilaisista tavoista, joilla algoritmeja voidaan hyödyntää luokittelutehtävissä.

Luennon ennakkotentti

Valmistautuminen

Oletetaan, että olet suorittanut Oppitunti 1, varmista että cleaned_cuisines.csv -tiedosto on olemassa /data-kansion juuressa näitä neljää oppituntia varten.

Harjoitus - ennusta kansallinen ruokakulttuuri

1. Työskentele tässä oppitunnin notebook.ipynb-kansiossa ja tuo tiedosto yhdessä Pandas-kirjaston kanssa:

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

   Data näyttää tältä:

	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. Tuo nyt useita muita kirjastoja:

   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. Jaa X- ja y-koordinaatit kahdeksi dataframeksi koulutusta varten. cuisine voi olla labelien dataframe:

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

   Se näyttää tältä:

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

3. Pudota Unnamed: 0-sarake ja cuisine-sarake kutsumalla drop(). Tallenna loput datasta koulutettaviksi ominaisuuksiksi:

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

   Ominaisuutesi näyttävät tältä:

	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

Nyt olet valmis kouluttamaan mallisi!

Luokittelijan valinta

Nyt kun data on puhdas ja valmis koulutukseen, sinun täytyy päättää, mitä algoritmia käyttää.

Scikit-learn ryhmittelee luokittelun ohjattuun oppimiseen, ja tässä kategoriassa on monia tapoja luokitella. Monipuolisuus voi ensi näkemältä olla hämmentävää. Seuraavat menetelmät sisältävät kaikki luokittelutekniikoita:

• Lineaariset mallit
• Tukivektorikoneet
• Stokastinen gradienttilaskenta
• Lähimmät naapurit
• Gaussiset prosessit
• Päätöspuut
• Kokonaismenetelmät (äänestävä luokittelija)
• Moniluokka- ja usean ulostulon algoritmit (moniluokkainen ja monimerkintäinen luokittelu, moniluokkainen usean ulostulon luokittelu)

Voit myös käyttää neuroverkkoja datan luokitteluun, mutta se on tämän oppitunnin ulkopuolella.

Mikä luokittelija valitaan?

Joten, minkä luokittelijan valitset? Usein on järkevää kokeilla useampaa ja etsiä hyvää tulosta. Scikit-learn tarjoaa rinnakkaisvertailun luodulla datalla vertaillen KNeighborsia, kahta SVC-versiota, GaussianProcessClassifieria, DecisionTreeClassifieria, RandomForestClassifieria, MLPClassifieria, AdaBoostClassifieria, GaussianNB:tä ja QuadraticDiscrinationAnalysistä tuloksineen visuaalisesti:

Kaaviot luotu Scikit-learnin dokumentaatiossa

AutoML ratkaisee tämän ongelman siististi ajamalla nämä vertailut pilvessä, jolloin voit valita parhaan algoritmin datallesi. Kokeile sitä tässä

Parempi lähestymistapa

Parempi tapa kuin arvailla villeinä on seurata tämän ladattavan ML Cheat sheetin vinkkejä. Sieltä löydämme, että moniluokkaiseen ongelmaamme on muutama vaihtoehto:

Ote Microsoftin algoritmivinkkilistasta, joka kuvaa moniluokkalun luokitteluvaihtoehtoja

✅ Lataa tämä vinkkilista, tulosta se ja laita seinällesi roikkumaan!

Päättely

Katsotaan, voimmeko perustella eri lähestymistavat annetuin rajoituksin:

• Neuroverkot ovat liian raskaita. Ottaen huomioon puhtaan, mutta pienen datasetimme ja että koulutus tapahtuu paikallisesti muistikirjojen kautta, neuroverkot ovat liian raskaita tähän tehtävään.
• Ei kaksiluokkaista luokittelijaa. Emme käytä kaksiluokkaista luokittelijaa, joten one-vs-all suljetaan pois.
• Päätöspuu tai logistinen regressio voisi toimia. Päätöspuu voisi toimia, samoin logistinen regressio moniluokkaiseen dataan.
• Moniluokkainen Boosted Decision Trees ratkaisee eri ongelman. Moniluokkainen vahvistettu päätöspuu soveltuu paremmin parametrisiin tehtäviin, kuten rankingien rakentamiseen, joten se ei ole meille käyttökelpoinen.

Scikit-learnin käyttö

Käytämme Scikit-learnia datan analysointiin. Kuitenkin logistiikkaregressiota on monia erilaisia tapoja käyttää Scikit-learnissa. Tutustu parametreihin.

Käytännössä tärkeimmät parametrit ovat multi_class ja solver - joita tarvitsee määrittää pyytäessämme Scikit-learnia suorittamaan logistisen regression. multi_class määrittää tietyn käyttäytymisen. solver on käytettävä algoritmi. Kaikki solverit eivät sovi yhteen kaikkien multi_class -arvojen kanssa.

Dokumenttien mukaan moniluokkaisessa tapauksessa koulutusalgoritmi:

• Käyttää one-vs-rest (OvR) -metodia, jos multi_class on asetettu arvoksi ovr
• Käyttää ristientropiahäviötä, jos multi_class on asetettu arvoksi multinomial. (Tällä hetkellä multinomial on tuettu vain lbfgs, sag, saga ja newton-cg -solverien kanssa.)

🎓 'Skenaario' voi olla 'ovr' (one-vs-rest) tai 'multinomial'. Koska logistinen regressio on suunniteltu binääriluokitteluun, nämä skenaariot mahdollistavat paremman tuen moniluokkaluille luokittelutehtäville. lähde

🎓 'Solveri' on määritelty algoritmiksi, jota käytetään optimointiongelmassa. lähde.

Scikit-learn tarjoaa tämän taulukon selittämään, miten solverit käsittelevät erilaisia datarakenteiden haasteita:

Harjoitus - jaa data

Voimme keskittyä logistiseen regressioon ensimmäisen koulutusyrityksenä, kun opit siitä hiljattain edellisellä tunnilla.
Jaa data koulutus- ja testiryhmiin kutsumalla train_test_split():

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

Harjoitus - käytä logistista regressiota

Koska käytät moniluokkaista tapausta, sinun täytyy valita, mitä skenaariota ja solveria käytetään. Käytä LogisticRegressionia moniluokkaisella asetuksella ja liblinear-solveria kouluttaaksesi.

1. Luo logistinen regressio, jossa multi_class on asetettu ovr:ksi ja solver liblineariksi:

   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))
   

   ✅ Kokeile eri solveria, esimerkiksi lbfgs, joka usein on oletus

   Huomaa, käytä Pandasin ravel -funktiota, kun haluat tasoittaa dataasi tarvittaessa.

   Tarkkuus on hyvä, yli 80%!

2. Voit nähdä tämän mallin toiminnassa testaamalla yhden datarivin (#50):

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

   Tuloste on:

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

   ✅ Kokeile eri rivinumeroa ja tarkista tulokset

3. Digging deeper, you can check for the accuracy of this prediction:

   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()
   

   The result is printed - Indian cuisine is its best guess, with good probability:

   	0
   indian	0.715851
   chinese	0.229475
   japanese	0.029763
   korean	0.017277
   thai	0.007634

   ✅ Voitko selittää, miksi malli on melko varma, että kyseessä on intialainen keittiö?

4. Get more detail by printing a classification report, as you did in the regression lessons:

   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

🚀Challenge

In this lesson, you used your cleaned data to build a machine learning model that can predict a national cuisine based on a series of ingredients. Take some time to read through the many options Scikit-learn provides to classify data. Dig deeper into the concept of 'solver' to understand what goes on behind the scenes.

Post-lecture quiz

Review & Self Study

Dig a little more into the math behind logistic regression in this lesson

Assignment

Study the solvers

---

Vastuuvapauslauseke:
Tämä asiakirja on käännetty käyttämällä tekoälypohjaista käännöspalvelua Co-op Translator. Vaikka pyrimme tarkkuuteen, ole hyvä ja huomioi, että automatisoiduissa käännöksissä saattaa esiintyä virheitä tai epätarkkuuksia. Alkuperäinen asiakirja sen alkuperäiskielellä tulee pitää auktoriteettisena lähteenä. Tärkeiden tietojen kohdalla suositellaan ammattimaista ihmiskäännöstä. Emme ole vastuussa tämän käännöksen käytöstä johtuvista väärinkäsityksistä tai virheellisistä tulkinnoista.