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

Ruokakulttuuriluokittelijat 1

Tässä oppitunnissa käytät edellisessä oppitunnissa tallentamaasi tasapainoista ja siistiä datasettiä, joka käsittelee ruokakulttuureja.

Käytät tätä datasettiä eri luokittelijoiden kanssa ennustaaksesi tietyn kansallisen ruokakulttuurin ainesosaryhmän perusteella. Samalla opit lisää tavoista, joilla algoritmeja voidaan hyödyntää luokittelutehtävissä.

Esiluennon kysely

Valmistelu

Jos olet suorittanut Oppitunnin 1, varmista, että cleaned_cuisines.csv-tiedosto on olemassa juurihakemistossa /data näitä neljää oppituntia varten.

Harjoitus - ennusta kansallinen ruokakulttuuri

1. Työskentele tämän oppitunnin notebook.ipynb-kansiossa ja tuo tiedosto sekä Pandas-kirjasto:

   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 lisää 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 kahteen datafreimiin koulutusta varten. cuisine voi olla labelien datafreimi:

   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. Poista Unnamed: 0-sarake ja cuisine-sarake käyttämällä drop(). Tallenna loput tiedot koulutettaviksi ominaisuuksiksi:

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

   Ominaisuudet 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

Kun datasi on puhdas ja valmis koulutukseen, sinun täytyy päättää, mitä algoritmia käytät tehtävään.

Scikit-learn ryhmittelee luokittelun ohjatun oppimisen alle, ja tässä kategoriassa on monia tapoja luokitella. Vaihtoehtojen määrä voi aluksi tuntua hämmentävältä. Seuraavat menetelmät sisältävät luokittelutekniikoita:

• Lineaariset mallit
• Tukivektorikoneet
• Stokastinen gradienttilaskenta
• Lähimmät naapurit
• Gaussin prosessit
• Päätöspuut
• Yhdistelmämallit (äänestysluokittelija)
• Moniluokka- ja monitulostusalgoritmit (moniluokka- ja monilabel-luokittelu, moniluokka-monitulostusluokittelu)

Voit myös käyttää neuroverkkoja datan luokitteluun, mutta se ei kuulu tämän oppitunnin aihepiiriin.

Minkä luokittelijan valita?

Minkä luokittelijan siis valitset? Usein useiden kokeileminen ja hyvän tuloksen etsiminen on tapa testata. Scikit-learn tarjoaa vertailun rinnakkain luodulla datasetillä, jossa verrataan KNeighbors, SVC kahdella tavalla, GaussianProcessClassifier, DecisionTreeClassifier, RandomForestClassifier, MLPClassifier, AdaBoostClassifier, GaussianNB ja QuadraticDiscriminationAnalysis, ja tulokset visualisoidaan:

Kuva Scikit-learnin dokumentaatiosta

AutoML ratkaisee tämän ongelman kätevästi suorittamalla nämä vertailut pilvessä, jolloin voit valita parhaan algoritmin datallesi. Kokeile täällä

Parempi lähestymistapa

Parempi tapa kuin arvaaminen on seurata ladattavaa ML Cheat Sheet. Tässä huomataan, että moniluokkaongelmaamme varten meillä on joitakin vaihtoehtoja:

Osa Microsoftin algoritmien huijauslistasta, joka käsittelee moniluokkaluokitteluvaihtoehtoja

✅ Lataa tämä huijauslista, tulosta se ja ripusta seinällesi!

Perustelu

Katsotaan, voimmeko perustella eri lähestymistapoja annettujen rajoitusten perusteella:

• Neuroverkot ovat liian raskaita. Puhdas mutta minimaalinen datasetti ja se, että koulutus tapahtuu paikallisesti notebookien kautta, tekevät neuroverkoista liian raskaita tähän tehtävään.
• Ei kaksiluokkaista luokittelijaa. Emme käytä kaksiluokkaista luokittelijaa, joten se sulkee pois one-vs-all-menetelmän.
• Päätöspuu tai logistinen regressio voisi toimia. Päätöspuu voisi toimia, tai logistinen regressio moniluokkaiselle datalle.
• Moniluokkaiset Boosted Decision Trees ratkaisevat eri ongelman. Moniluokkainen Boosted Decision Tree sopii parhaiten ei-parametrisiin tehtäviin, kuten tehtäviin, jotka on suunniteltu luomaan sijoituksia, joten se ei ole hyödyllinen meille.

Scikit-learnin käyttö

Käytämme Scikit-learnia datan analysointiin. On kuitenkin monia tapoja käyttää logistista regressiota Scikit-learnissa. Katso parametrit, jotka voit asettaa.

Käytännössä on kaksi tärkeää parametria - multi_class ja solver - jotka meidän täytyy määrittää, kun pyydämme Scikit-learnia suorittamaan logistisen regression. multi_class-arvo soveltaa tiettyä käyttäytymistä. Solverin arvo määrittää, mitä algoritmia käytetään. Kaikkia solvereita ei voi yhdistää kaikkiin multi_class-arvoihin.

Dokumentaation mukaan moniluokkaisessa tapauksessa koulutusalgoritmi:

• Käyttää one-vs-rest (OvR) -menetelmää, jos multi_class-vaihtoehto on asetettu ovr
• Käyttää ristientropiahäviötä, jos multi_class-vaihtoehto on asetettu multinomial. (Tällä hetkellä multinomial-vaihtoehto on tuettu vain ‘lbfgs’, ‘sag’, ‘saga’ ja ‘newton-cg’ solvereilla.)

🎓 'Menetelmä' voi olla joko 'ovr' (one-vs-rest) tai 'multinomial'. Koska logistinen regressio on suunniteltu tukemaan binääriluokittelua, nämä menetelmät auttavat sitä käsittelemään paremmin moniluokkaluokittelutehtäviä. lähde

🎓 'Solver' määritellään "algoritmiksi, jota käytetään optimointiongelmassa". lähde.

Scikit-learn tarjoaa tämän taulukon selittämään, miten solverit käsittelevät eri haasteita, joita eri datarakenteet esittävät:

Harjoitus - jaa data

Voimme keskittyä logistiseen regressioon ensimmäisessä koulutuskokeilussamme, koska opit siitä äskettäin edellisessä oppitunnissa. Jaa datasi 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 - sovella logistista regressiota

Koska käytät moniluokkaista tapausta, sinun täytyy valita, mitä menetelmää käytät ja mitä solveria asetat. Käytä LogisticRegressionia moniluokka-asetuksella ja liblinear-solveria koulutukseen.

1. Luo logistinen regressio, jossa multi_class on asetettu ovr ja solver asetettu 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))
   

   ✅ Kokeile eri solveria, kuten lbfgs, joka on usein asetettu oletusarvoksi

Huomaa, käytä Pandasin ravel -funktiota litistääksesi datasi tarvittaessa. Tarkkuus on hyvä, yli 80%!

1. Voit nähdä tämän mallin toiminnassa testaamalla yhtä riviä (#50):

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

   Tulos tulostetaan:

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

   ✅ Kokeile eri rivinumeroa ja tarkista tulokset

2. Syvemmälle mentäessä voit tarkistaa tämän ennusteen tarkkuuden:

   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()
   

   Tulos tulostetaan - Intialainen keittiö on paras arvaus, hyvällä todennäköisyydellä:

   	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?

3. Saat lisää yksityiskohtia tulostamalla luokitteluraportin, kuten teit regressio-opetuksissa:

   y_pred = model.predict(X_test)
   print(classification_report(y_test,y_pred))
   

   	tarkkuus	recall	f1-score	tuki
   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
   tarkkuus	0.80	1199
   keskiarvo	0.80	0.80	0.80	1199
   painotettu	0.80	0.80	0.80	1199

🚀Haaste

Tässä oppitunnissa käytit siivottua dataasi rakentaaksesi koneoppimismallin, joka voi ennustaa kansallisen keittiön ainesosien perusteella. Käytä aikaa tutkiaksesi Scikit-learnin tarjoamia monia vaihtoehtoja datan luokitteluun. Syvenny tarkemmin 'solver'-käsitteeseen ymmärtääksesi, mitä kulissien takana tapahtuu.

Luennon jälkeinen kysely

Kertaus & Itseopiskelu

Tutustu hieman tarkemmin logistisen regression matematiikkaan tässä oppitunnissa

Tehtävä

Tutki solvereita

---

Vastuuvapauslauseke:
Tämä asiakirja on käännetty käyttämällä tekoälypohjaista käännöspalvelua Co-op Translator. Vaikka pyrimme tarkkuuteen, huomioithan, että automaattiset käännökset voivat sisältää virheitä tai epätarkkuuksia. Alkuperäinen asiakirja sen alkuperäisellä kielellä tulisi pitää ensisijaisena lähteenä. Kriittisen tiedon osalta suositellaan ammattimaista ihmiskäännöstä. Emme ole vastuussa väärinkäsityksistä tai virhetulkinnoista, jotka johtuvat tämän käännöksen käytöstä.