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

Pengklasifikasi masakan 1

Dalam pelajaran ini, Anda akan menggunakan dataset yang Anda simpan dari pelajaran terakhir yang penuh dengan data seimbang dan bersih tentang masakan.

Anda akan menggunakan dataset ini dengan berbagai klasifikasi untuk memprediksi masakan nasional tertentu berdasarkan kumpulan bahan. Saat melakukannya, Anda akan mempelajari lebih lanjut tentang beberapa cara algoritma dapat digunakan untuk tugas klasifikasi.

Kuis sebelum kuliah

Persiapan

Dengan asumsi Anda telah menyelesaikan Pelajaran 1, pastikan file cleaned_cuisines.csv ada di folder root /data untuk keempat pelajaran ini.

Latihan - prediksi masakan nasional

1. Bekerja di folder notebook.ipynb pada pelajaran ini, impor file itu beserta pustaka Pandas:

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

   Data terlihat seperti ini:

	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. Sekarang, impor beberapa pustaka lagi:

   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. Bagi koordinat X dan y menjadi dua dataframe untuk pelatihan. cuisine bisa menjadi dataframe label:

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

   Ini akan terlihat seperti ini:

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

3. Hapus kolom Unnamed: 0 dan kolom cuisine dengan memanggil drop(). Simpan sisa data sebagai fitur yang dapat dilatih:

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

   Fitur Anda terlihat seperti ini:

	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

Sekarang Anda siap melatih model Anda!

Memilih pengklasifikasi

Sekarang data Anda bersih dan siap untuk pelatihan, Anda harus memutuskan algoritma mana yang digunakan.

Scikit-learn mengelompokkan klasifikasi di bawah Pembelajaran Terawasi, dan dalam kategori itu Anda akan menemukan banyak cara untuk mengklasifikasikan. Keragamannya agak membingungkan pada pandangan pertama. Metode-metode berikut ini semua termasuk teknik klasifikasi:

• Model Linear
• Mesin Vektor Pendukung
• Stochastic Gradient Descent
• Tetangga Terdekat
• Proses Gaussian
• Pohon Keputusan
• Metode Ensemble (voting Classifier)
• Algoritma multiclass dan multioutput (klasifikasi multiclass dan multilabel, klasifikasi multiclass-multioutput)

Anda juga dapat menggunakan jaringan saraf untuk mengklasifikasikan data, tetapi itu di luar cakupan pelajaran ini.

Pengklasifikasi yang harus dipilih?

Jadi, pengklasifikasi mana yang harus Anda pilih? Seringkali, mencoba beberapa dan mencari hasil yang baik adalah cara untuk mengetes. Scikit-learn menawarkan perbandingan berdampingan pada dataset yang dibuat, membandingkan KNeighbors, SVC dua cara, GaussianProcessClassifier, DecisionTreeClassifier, RandomForestClassifier, MLPClassifier, AdaBoostClassifier, GaussianNB dan QuadraticDiscrinationAnalysis, dengan hasil yang divisualisasikan:

Grafik yang dihasilkan pada dokumentasi Scikit-learn

AutoML menyelesaikan masalah ini dengan rapi dengan menjalankan perbandingan ini di cloud, memungkinkan Anda memilih algoritma terbaik untuk data Anda. Coba di sini

Pendekatan yang lebih baik

Cara yang lebih baik daripada menebak sembarangan, adalah mengikuti ide pada ML Cheat sheet yang dapat diunduh ini. Di sini, kita menemukan bahwa, untuk masalah multiclass kita, kita memiliki beberapa pilihan:

Sebagian dari Algorithm Cheat Sheet Microsoft, merinci opsi klasifikasi multiclass

✅ Unduh cheat sheet ini, cetak, dan pajang di dinding Anda!

Alasan

Mari kita lihat apakah kita bisa menganalisis berbagai pendekatan dengan mempertimbangkan batasan yang ada:

• Jaringan saraf terlalu berat. Mengingat dataset kami yang bersih tapi minimal, dan fakta bahwa pelatihan dijalankan secara lokal melalui notebook, jaringan saraf terlalu berat untuk tugas ini.
• Tidak menggunakan pengklasifikasi dua kelas. Kita tidak menggunakan pengklasifikasi dua kelas, jadi ini menyingkirkan one-vs-all.
• Pohon keputusan atau regresi logistik bisa bekerja. Pohon keputusan mungkin bekerja, atau regresi logistik untuk data multiclass.
• Pohon keputusan boosted multiclass menyelesaikan masalah lain. Pohon keputusan boosted multiclass paling cocok untuk tugas nonparametrik, misalnya tugas yang dirancang untuk membuat peringkat, sehingga tidak berguna bagi kita.

Menggunakan Scikit-learn

Kita akan menggunakan Scikit-learn untuk menganalisis data kita. Namun, ada banyak cara untuk menggunakan regresi logistik dalam Scikit-learn. Lihatlah parameter yang harus diberikan.

Intinya ada dua parameter penting - multi_class dan solver - yang perlu kita tentukan saat meminta Scikit-learn melakukan regresi logistik. Nilai multi_class menerapkan perilaku tertentu. Nilai solver adalah algoritma yang digunakan. Tidak semua solver bisa digabungkan dengan semua nilai multi_class.

Menurut dokumentasi, dalam kasus multiclass, algoritma pelatihan:

• Menggunakan skema one-vs-rest (OvR), jika opsi multi_class disetel ke ovr
• Menggunakan loss cross-entropy, jika opsi multi_class disetel ke multinomial. (Saat ini opsi multinomial didukung hanya oleh solver ‘lbfgs’, ‘sag’, ‘saga’ dan ‘newton-cg’)."

🎓 'Skema' di sini bisa 'ovr' (one-vs-rest) atau 'multinomial'. Karena regresi logistik sebenarnya dirancang untuk klasifikasi biner, skema ini memungkinkan untuk menangani tugas klasifikasi multiclass dengan lebih baik. sumber

🎓 'Solver' didefinisikan sebagai "algoritma yang digunakan dalam masalah optimisasi". sumber.

Scikit-learn menyediakan tabel ini untuk menjelaskan bagaimana solver menangani berbagai tantangan yang muncul dari berbagai jenis struktur data:

Latihan - bagi data

Kita dapat fokus pada regresi logistik untuk percobaan pelatihan pertama karena Anda baru saja mempelajarinya di pelajaran sebelumnya.
Bagi data Anda menjadi grup pelatihan dan pengujian dengan memanggil train_test_split():

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

Latihan - terapkan regresi logistik

Karena Anda menggunakan kasus multiclass, Anda perlu memilih skema apa yang digunakan dan solver apa yang diatur. Gunakan LogisticRegression dengan pengaturan multiclass dan solver liblinear untuk pelatihan.

1. Buat regresi logistik dengan multi_class disetel ke ovr dan solver disetel ke 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))
   

   ✅ Coba solver berbeda seperti lbfgs, yang biasanya disetel sebagai default

   Catatan, gunakan fungsi Pandas ravel untuk meratakan data Anda bila diperlukan.

   Akurasi bagus, lebih dari 80%!

2. Anda dapat melihat model ini beraksi dengan menguji satu baris data (#50):

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

   Hasilnya dicetak:

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

   ✅ Coba nomor baris yang berbeda dan periksa hasilnya

3. Menggali lebih dalam, Anda dapat memeriksa keakuratan prediksi ini:

   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()
   

   Hasil dicetak - masakan India adalah tebakan terbaiknya, dengan probabilitas yang baik:

   	0
   indian	0.715851
   chinese	0.229475
   japanese	0.029763
   korean	0.017277
   thai	0.007634

   ✅ Dapatkah Anda menjelaskan mengapa model cukup yakin ini adalah masakan India?

4. Dapatkan lebih banyak detail dengan mencetak laporan klasifikasi, seperti yang Anda lakukan dalam pelajaran regresi:

   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

🚀Tantangan

Dalam pelajaran ini, Anda menggunakan data yang telah dibersihkan untuk membangun model machine learning yang dapat memprediksi masakan nasional berdasarkan serangkaian bahan. Luangkan waktu untuk membaca berbagai pilihan yang disediakan Scikit-learn untuk mengklasifikasikan data. Dalami konsep 'solver' untuk memahami apa yang terjadi di balik layar.

Kuis pasca kuliah

Tinjauan & Belajar Mandiri

Dalami sedikit lebih jauh matematika di balik regresi logistik dalam pelajaran ini

Tugas

Pelajari solver

---

Penafian:
Dokumen ini telah diterjemahkan menggunakan layanan terjemahan AI Co-op Translator. Meskipun kami berupaya untuk akurasi, harap diperhatikan bahwa terjemahan otomatis mungkin mengandung kesalahan atau ketidakakuratan. Dokumen asli dalam bahasa aslinya harus dianggap sebagai sumber yang berwenang. Untuk informasi penting, disarankan menggunakan terjemahan profesional oleh manusia. Kami tidak bertanggung jawab atas salah pengertian atau penafsiran yang timbul dari penggunaan terjemahan ini.