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

Klasifikatori kuhinja 1

U ovoj lekciji koristit ćete skup podataka koji ste spremili iz prošle lekcije, pun izbalansiranih, čistih podataka o kuhinjama.

Koristit ćete ovaj skup podataka s različitim klasifikatorima kako biste predvidjeli određenu nacionalnu kuhinju na temelju grupe sastojaka. Istovremeno ćete naučiti više o nekim načinima na koje se algoritmi mogu koristiti za zadatke klasifikacije.

Kvizz prije predavanja

Priprema

Pod pretpostavkom da ste dovršili Lekciju 1, provjerite da li u korijenskoj mapi /data za ove četiri lekcije postoji datoteka cleaned_cuisines.csv.

Vježba - predvidi nacionalnu kuhinju

1. Uvježbajte u mapi notebook.ipynb ove lekcije te uvezite tu datoteku zajedno s Pandas knjižnicom:

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

   Podaci izgledaju ovako:

	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. Sada uvezite još nekoliko knjižnica:

   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. Podijelite koordinate X i y u dva podatkovna okvira za treniranje. cuisine može biti podatkovni okvir oznaka:

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

   Izgledat će ovako:

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

3. Izbrišite stupce Unnamed: 0 i cuisine pozivom na drop(). Ostatak podataka spremite kao značajke za treniranje:

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

   Vaše značajke izgledaju ovako:

	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

Sada ste spremni za treniranje vašeg modela!

Odabir klasifikatora

Sada kada su vam podaci čisti i spremni za treniranje, morate odlučiti koji algoritam koristiti za taj posao.

Scikit-learn grupira klasifikaciju pod Nadzorovano učenje, i u toj kategoriji pronaći ćete mnogo načina za klasifikaciju. Raznolikost može u početku biti zbunjujuća. Sljedeće metode uključuju tehnike klasifikacije:

• Linearni modeli
• Strojevi potpornih vektora
• Stohastički gradijentni spust
• Najbliži susjedi
• Gaussovi procesi
• Odluke stabala
• Metode ansambla (voting Classifier)
• Multiklasni i multiizlazni algoritmi (multiklasna i multilabel klasifikacija, multiklasno-multiizlazna klasifikacija)

Također možete koristiti neuronske mreže za klasifikaciju podataka, ali to je izvan opsega ove lekcije.

Koji klasifikator odabrati?

Dakle, koji klasifikator odabrati? Često je isprobavanje nekoliko njih i traženje dobrog rezultata dobar način testiranja. Scikit-learn nudi usporedni prikaz jedan pored drugoga na kreiranom skupu podataka, uspoređujući KNeighbors, SVC na dva načina, GaussianProcessClassifier, DecisionTreeClassifier, RandomForestClassifier, MLPClassifier, AdaBoostClassifier, GaussianNB i QuadraticDiscrinationAnalysis, prikazujući rezultate vizualizirano:

Grafikon generiran u dokumentaciji Scikit-learn

AutoML rješava ovaj problem uredno izvođenjem ovih usporedbi u oblaku, omogućujući vam izbor najboljeg algoritma za vaše podatke. Isprobajte ovdje

Bolji pristup

Bolji način nego nasumično pogađati je pratiti ideje na ovom preuzimljivom ML Cheat sheetu. Ovdje otkrivamo da za naš problem s više klasa imamo neke izbore:

Dio Microsoftovog Algorithm Cheat Sheeta, s detaljima opcija za višeklasnu klasifikaciju

✅ Preuzmite ovaj cheat sheet, isprintajte ga i zalijepite na zid!

Razmišljanje

Pogledajmo možemo li racionalno pristupiti različitim pristupima s obzirom na uvjete koje imamo:

• Neuronske mreže su preteške. S obzirom na naš čisti, ali minimalni skup podataka i činjenicu da treniramo lokalno preko bilježnica, neuronske mreže su preteške za ovaj zadatak.
• Nema klasifikatora za dvije klase. Ne koristimo klasifikator za dvije klase, pa je opcija jedan-protiv-svih isključena.
• Stablo odluke ili logistička regresija mogu funkcionirati. Stablo odluke bi moglo funkcionirati, ili logistička regresija za višeklasne podatke.
• Višeklasno pojačano stablo odluke rješava drugačiji problem. Višeklasno pojačano stablo odluke najprikladnije je za neparametarske zadatke, npr. zadatke dizajnirane za izradu rangiranja, pa nije korisno za nas.

Korištenje Scikit-learn

Koristit ćemo Scikit-learn za analizu naših podataka. Međutim, postoji mnogo načina za korištenje logističke regresije u Scikit-learnu. Pogledajte parametre koje treba proslijediti.

U suštini postoje dva važna parametra - multi_class i solver - koje trebamo specificirati kad tražimo od Scikit-learna da izvrši logističku regresiju. Vrijednost multi_class specificira određeno ponašanje. Vrijednost solver označava koji algoritam se koristi. Nisu svi rješavači (solvers) kompatibilni sa svim vrijednostima multi_class.

Prema dokumentaciji, kod višeklasne varijante, algoritam treniranja:

• Koristi shemu jedan-protiv-ostalih (OvR) ako je opcija multi_class postavljena na ovr
• Koristi cross-entropy loss ako je opcija multi_class postavljena na multinomial. (Trenutno opcija multinomial podržana je samo kod rješavača ‘lbfgs’, ‘sag’, ‘saga’ i ‘newton-cg’)."

🎓 'shema' ovdje može biti 'ovr' (jedan-protiv-ostalih) ili 'multinomial'. Budući da je logistička regresija izvorno dizajnirana za binarnu klasifikaciju, ove sheme joj omogućuju da bolje rukuje višeklasnim zadacima. izvor

🎓 'solver' je definiran kao "algoritam koji se koristi u problemu optimizacije". izvor.

Scikit-learn nudi ovu tablicu za objašnjenje kako rješavači rukuju različitim izazovima koje predstavljaju različite strukture podataka:

Vježba - razdvojite podatke

Možemo se usredotočiti na logističku regresiju za naš prvi pokušaj treniranja budući da ste o njoj nedavno učili u prethodnoj lekciji. Podijelite svoje podatke u grupe za treniranje i testiranje pozivom train_test_split():

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

Vježba - primijenite logističku regresiju

Budući da koristite višeklasni slučaj, morate odabrati koju shemu ćete koristiti i koji rješavač postaviti. Koristite LogisticRegression s višeklasnim postavkama i rješavačem liblinear za treniranje.

1. Kreirajte logističku regresiju s multi_class postavljenim na ovr i rješavačem postavljenim 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))
   

   ✅ Isprobajte drugi rješavač poput lbfgs, koji je često zadani

   Napomena, koristite Pandas funkciju ravel za spljoštenje podataka kad je potrebno.

   Točnost je dobra, preko 80%!

2. Možete vidjeti ovaj model u akciji testiranjem jednog reda podataka (#50):

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

   Rezultat je ispisan:

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

   ✅ Isprobajte drugi broj retka i provjerite rezultate

3. Kopajući dublje, možete provjeriti točnost ove predikcije:

   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()
   

   Rezultat je ispisan - indijska kuhinja je najbolja procjena, s dobrom vjerojatnošću:

   	0
   indian	0.715851
   chinese	0.229475
   japanese	0.029763
   korean	0.017277
   thai	0.007634

   ✅ Možete li objasniti zašto je model prilično siguran da je ovo indijska kuhinja?

4. Dobijte više detalja ispisivanjem izvještaja o klasifikaciji, kao što ste to činili u lekcijama o regresiji:

   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

🚀Izazov

U ovoj lekciji ste koristili očišćene podatke za izgradnju modela strojnog učenja koji može predvidjeti nacionalnu kuhinju na temelju niza sastojaka. Odvojite malo vremena da proučite mnoge opcije koje Scikit-learn pruža za klasifikaciju podataka. Istražite dublje koncept 'solver' kako biste razumjeli što se događa iza scene.

Kviz nakon predavanja

Pregled i samostalno učenje

Istražite malo više matematiku iza logističke regresije u ovoj lekciji

Zadatak

Proučite solvere

---

Odricanje od odgovornosti: Ovaj je dokument preveden korištenjem AI usluge za prijevod Co-op Translator. Iako težimo točnosti, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na njegovom izvornom jeziku treba smatrati autoritativnim izvorom. Za kritične informacije preporučuje se profesionalni ljudski prijevod. Ne snosimo odgovornost za bilo kakve nesporazume ili pogrešna tumačenja koja proizlaze iz korištenja ovog prijevoda.