ML-For-Beginners/translations/cs/4-Classification/2-Classifiers-1/README.md

Klasifikátory kuchyní 1

V této lekci použijete dataset, který jste si uložili z minulé lekce, plný vyvážených a čistých dat o kuchyních.

Tento dataset použijete s různými klasifikátory k predikci národní kuchyně na základě skupiny ingrediencí. Přitom se dozvíte více o některých způsobech, jak lze algoritmy využít pro klasifikační úlohy.

Kvíz před lekcí

Příprava

Za předpokladu, že jste dokončili Lekci 1, ujistěte se, že soubor cleaned_cuisines.csv existuje v kořenové složce /data pro tyto čtyři lekce.

Cvičení - predikce národní kuchyně

1. Pracujte ve složce notebook.ipynb této lekce, importujte tento soubor spolu s knihovnou Pandas:

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

   Data vypadají takto:

	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. Nyní importujte několik dalších knihoven:

   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. Rozdělte souřadnice X a y do dvou datových rámců pro trénování. cuisine může být datový rámec s označeními:

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

   Bude vypadat takto:

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

3. Odstraňte sloupec Unnamed: 0 a sloupec cuisine pomocí drop(). Zbytek dat uložte jako trénovací vlastnosti:

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

   Vaše vlastnosti vypadají takto:

	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

Nyní jste připraveni trénovat svůj model!

Výběr klasifikátoru

Nyní, když jsou vaše data čistá a připravená k trénování, musíte se rozhodnout, jaký algoritmus použít.

Scikit-learn zařazuje klasifikaci pod Supervised Learning, a v této kategorii najdete mnoho způsobů klasifikace. Rozmanitost je na první pohled docela ohromující. Následující metody zahrnují techniky klasifikace:

• Lineární modely
• Support Vector Machines
• Stochastic Gradient Descent
• Nejbližší sousedé
• Gaussovské procesy
• Rozhodovací stromy
• Ensemble metody (hlasovací klasifikátor)
• Multiclass a multioutput algoritmy (multiclass a multilabel klasifikace, multiclass-multioutput klasifikace)

Můžete také použít neuronové sítě k klasifikaci dat, ale to je mimo rozsah této lekce.

Jaký klasifikátor zvolit?

Takže, jaký klasifikátor byste měli zvolit? Často je dobré vyzkoušet několik a hledat dobrý výsledek. Scikit-learn nabízí srovnání vedle sebe na vytvořeném datasetu, kde porovnává KNeighbors, SVC dvěma způsoby, GaussianProcessClassifier, DecisionTreeClassifier, RandomForestClassifier, MLPClassifier, AdaBoostClassifier, GaussianNB a QuadraticDiscriminationAnalysis, a vizualizuje výsledky:

Grafy generované na dokumentaci Scikit-learn

AutoML tento problém elegantně řeší tím, že provádí tato srovnání v cloudu, což vám umožňuje vybrat nejlepší algoritmus pro vaše data. Vyzkoušejte to zde

Lepší přístup

Lepší způsob než náhodné hádání je však řídit se nápady z této stahovatelné ML Cheat Sheet. Zde zjistíme, že pro náš problém s více třídami máme několik možností:

Část Microsoft Algorithm Cheat Sheet, popisující možnosti klasifikace s více třídami

✅ Stáhněte si tento cheat sheet, vytiskněte ho a pověste na zeď!

Úvahy

Podívejme se, jestli dokážeme logicky projít různé přístupy vzhledem k omezením, která máme:

• Neuronové sítě jsou příliš náročné. Vzhledem k našemu čistému, ale minimálnímu datasetu a skutečnosti, že trénování provádíme lokálně pomocí notebooků, jsou neuronové sítě pro tuto úlohu příliš náročné.
• Žádný klasifikátor pro dvě třídy. Nepoužíváme klasifikátor pro dvě třídy, takže to vylučuje one-vs-all.
• Rozhodovací strom nebo logistická regrese by mohly fungovat. Rozhodovací strom by mohl fungovat, nebo logistická regrese pro data s více třídami.
• Multiclass Boosted Decision Trees řeší jiný problém. Multiclass Boosted Decision Tree je nejvhodnější pro neparametrické úlohy, např. úlohy určené k vytváření pořadí, takže pro nás není užitečný.

Použití Scikit-learn

Budeme používat Scikit-learn k analýze našich dat. Existuje však mnoho způsobů, jak použít logistickou regresi v Scikit-learn. Podívejte se na parametry k předání.

V podstatě existují dva důležité parametry - multi_class a solver - které musíme specifikovat, když požádáme Scikit-learn o provedení logistické regrese. Hodnota multi_class aplikuje určité chování. Hodnota solveru určuje, jaký algoritmus použít. Ne všechny solvery lze kombinovat se všemi hodnotami multi_class.

Podle dokumentace v případě klasifikace s více třídami trénovací algoritmus:

• Používá schéma one-vs-rest (OvR), pokud je možnost multi_class nastavena na ovr
• Používá ztrátu křížové entropie, pokud je možnost multi_class nastavena na multinomial. (V současné době je možnost multinomial podporována pouze solvery ‘lbfgs’, ‘sag’, ‘saga’ a ‘newton-cg’.)

🎓 'Schéma' zde může být buď 'ovr' (one-vs-rest) nebo 'multinomial'. Vzhledem k tomu, že logistická regrese je skutečně navržena pro podporu binární klasifikace, tato schémata jí umožňují lépe zvládat úlohy klasifikace s více třídami. zdroj

🎓 'Solver' je definován jako "algoritmus použitý v optimalizačním problému". zdroj.

Scikit-learn nabízí tuto tabulku, která vysvětluje, jak solvery zvládají různé výzvy, které představují různé typy datových struktur:

Cvičení - rozdělení dat

Můžeme se zaměřit na logistickou regresi pro náš první pokus o trénování, protože jste se o ní nedávno učili v předchozí lekci. Rozdělte svá data na trénovací a testovací skupiny pomocí train_test_split():

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

Cvičení - aplikace logistické regrese

Vzhledem k tomu, že používáte případ s více třídami, musíte si vybrat, jaké schéma použít a jaký solver nastavit. Použijte LogisticRegression s nastavením multi_class na ovr a solverem na liblinear pro trénování.

1. Vytvořte logistickou regresi s multi_class nastaveným na ovr a solverem nastaveným 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))
   

   ✅ Vyzkoušejte jiný solver, například lbfgs, který je často nastaven jako výchozí

Poznámka: Použijte funkci Pandas ravel k vyrovnání vašich dat, když je to potřeba. Přesnost je dobrá na více než 80 %!

1. Můžete vidět tento model v akci testováním jednoho řádku dat (#50):

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

   Výsledek je vytištěn:

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

   ✅ Vyzkoušejte jiný číslo řádku a zkontrolujte výsledky.

2. Pokud se ponoříte hlouběji, můžete ověřit přesnost této predikce:

   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()
   

   Výsledek je vytištěn - indická kuchyně je nejlepší odhad s dobrou pravděpodobností:

   	0
   indian	0.715851
   chinese	0.229475
   japanese	0.029763
   korean	0.017277
   thai	0.007634

   ✅ Dokážete vysvětlit, proč si model je docela jistý, že se jedná o indickou kuchyni?

3. Získejte více detailů vytištěním klasifikační zprávy, stejně jako jste to udělali v lekcích o 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

🚀Výzva

V této lekci jste použili svá vyčištěná data k vytvoření modelu strojového učení, který dokáže předpovědět národní kuchyni na základě série ingrediencí. Věnujte nějaký čas prozkoumání mnoha možností, které Scikit-learn nabízí pro klasifikaci dat. Ponořte se hlouběji do konceptu 'solver', abyste pochopili, co se děje v zákulisí.

Kvíz po přednášce

Přehled & Samostudium

Prozkoumejte trochu více matematiku za logistickou regresí v této lekci

Úkol

Prostudujte solvery

---

Prohlášení:
Tento dokument byl přeložen pomocí služby pro automatický překlad Co-op Translator. Ačkoli se snažíme o přesnost, mějte prosím na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace doporučujeme profesionální lidský překlad. Neodpovídáme za žádná nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.