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

Virtuvės klasifikatoriai 1

Šioje pamokoje naudosite duomenų rinkinį, kurį išsaugojote iš ankstesnės pamokos, pilną subalansuotų ir švarių duomenų apie virtuvės tipus.

Naudodami šį duomenų rinkinį su įvairiais klasifikatoriais, prognozuosite tam tikrą nacionalinę virtuvę pagal ingredientų grupę. Tuo pačiu sužinosite daugiau apie tai, kaip algoritmai gali būti naudojami klasifikavimo užduotims.

Prieš paskaitos testas

Pasiruošimas

Jei baigėte 1 pamoką, įsitikinkite, kad cleaned_cuisines.csv failas yra /data aplanke, skirtame šioms keturioms pamokoms.

Užduotis - prognozuoti nacionalinę virtuvę

1. Dirbdami šios pamokos notebook.ipynb aplanke, importuokite failą kartu su Pandas biblioteka:

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

   Duomenys atrodo taip:

	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. Dabar importuokite dar kelias bibliotekas:

   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. Padalinkite X ir y koordinates į du duomenų rėmelius mokymui. cuisine gali būti etikečių duomenų rėmelis:

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

   Tai atrodys taip:

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

3. Pašalinkite Unnamed: 0 stulpelį ir cuisine stulpelį, naudodami drop(). Likusius duomenis išsaugokite kaip mokymui tinkamus požymius:

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

   Jūsų požymiai atrodo taip:

	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

Dabar esate pasiruošę treniruoti savo modelį!

Klasifikatoriaus pasirinkimas

Kai jūsų duomenys yra švarūs ir paruošti mokymui, turite nuspręsti, kokį algoritmą naudoti.

Scikit-learn klasifikavimą priskiria prie Prižiūrimo Mokymosi (Supervised Learning), ir šioje kategorijoje rasite daugybę būdų klasifikuoti. Įvairovė iš pradžių gali atrodyti gana paini. Šie metodai apima klasifikavimo technikas:

• Linijiniai modeliai
• Atramos vektorių mašinos (Support Vector Machines)
• Stochastinis gradientinis nusileidimas
• Artimiausi kaimynai
• Gauso procesai
• Sprendimų medžiai
• Ansamblio metodai (balsavimo klasifikatorius)
• Daugiaklasiai ir daugiatiksliai algoritmai (daugiaklasis ir daugiatikslis klasifikavimas)

Taip pat galite naudoti neuroninius tinklus duomenims klasifikuoti, tačiau tai nėra šios pamokos tema.

Kurį klasifikatorių pasirinkti?

Taigi, kurį klasifikatorių pasirinkti? Dažnai verta išbandyti kelis ir ieškoti geriausio rezultato. Scikit-learn siūlo palyginimą sukurto duomenų rinkinio pagrindu, lyginant KNeighbors, SVC dviem būdais, GaussianProcessClassifier, DecisionTreeClassifier, RandomForestClassifier, MLPClassifier, AdaBoostClassifier, GaussianNB ir QuadraticDiscriminationAnalysis, vizualizuojant rezultatus:

Grafikai iš Scikit-learn dokumentacijos

AutoML išsprendžia šią problemą efektyviai, atlikdamas šiuos palyginimus debesyje, leidžiant jums pasirinkti geriausią algoritmą jūsų duomenims. Išbandykite čia

Geresnis požiūris

Geresnis būdas nei spėliojimas yra vadovautis idėjomis iš šio atsisiunčiamo ML Cheat Sheet. Čia sužinome, kad mūsų daugiaklasio problemos atveju turime keletą pasirinkimų:

Microsoft algoritmų cheat sheet dalis, apibūdinanti daugiaklasio klasifikavimo galimybes

✅ Atsisiųskite šį cheat sheet, atsispausdinkite ir pakabinkite ant sienos!

Argumentavimas

Pažiūrėkime, ar galime logiškai pasirinkti skirtingus metodus, atsižvelgdami į turimus apribojimus:

• Neuroniniai tinklai per sudėtingi. Atsižvelgiant į mūsų švarius, bet minimalius duomenis ir tai, kad mokymą vykdome lokaliai per užrašų knygeles, neuroniniai tinklai yra per sudėtingi šiai užduočiai.
• Dviejų klasių klasifikatorius netinka. Mes nenaudojame dviejų klasių klasifikatoriaus, todėl tai atmeta one-vs-all metodą.
• Sprendimų medis arba logistinė regresija galėtų veikti. Sprendimų medis galėtų veikti, arba logistinė regresija daugiaklasiams duomenims.
• Daugiaklasiai sustiprinti sprendimų medžiai sprendžia kitą problemą. Daugiaklasiai sustiprinti sprendimų medžiai labiausiai tinka neparametrinėms užduotims, pvz., užduotims, skirtoms sudaryti reitingus, todėl jie mums nėra naudingi.

Naudojant Scikit-learn

Naudosime Scikit-learn analizuoti mūsų duomenis. Tačiau yra daug būdų naudoti logistinę regresiją Scikit-learn. Pažvelkite į parametrus, kuriuos galima perduoti.

Iš esmės yra du svarbūs parametrai - multi_class ir solver - kuriuos reikia nurodyti, kai prašome Scikit-learn atlikti logistinę regresiją. multi_class reikšmė taiko tam tikrą elgesį. Solver reikšmė nurodo, kokį algoritmą naudoti. Ne visi solver gali būti derinami su visomis multi_class reikšmėmis.

Pagal dokumentaciją, daugiaklasio atveju mokymo algoritmas:

• Naudoja one-vs-rest (OvR) schemą, jei multi_class parinktis nustatyta kaip ovr
• Naudoja kryžminio entropijos nuostolį, jei multi_class parinktis nustatyta kaip multinomial. (Šiuo metu multinomial parinktis palaikoma tik su ‘lbfgs’, ‘sag’, ‘saga’ ir ‘newton-cg’ solver.)

🎓 Čia "schema" gali būti 'ovr' (one-vs-rest) arba 'multinomial'. Kadangi logistinė regresija iš esmės skirta dvejetainiam klasifikavimui, šios schemos leidžia jai geriau tvarkyti daugiaklasio klasifikavimo užduotis. šaltinis

🎓 "Solver" apibrėžiamas kaip "algoritmas, naudojamas optimizavimo problemoms spręsti". šaltinis.

Scikit-learn siūlo šią lentelę, kad paaiškintų, kaip solver sprendžia skirtingus iššūkius, kuriuos kelia skirtingos duomenų struktūros:

Užduotis - padalyti duomenis

Galime sutelkti dėmesį į logistinę regresiją pirmajam mokymo bandymui, nes neseniai apie ją mokėtės ankstesnėje pamokoje. Padalykite savo duomenis į mokymo ir testavimo grupes, naudodami train_test_split():

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

Užduotis - taikyti logistinę regresiją

Kadangi naudojate daugiaklasio atvejį, turite pasirinkti, kokią schemą naudoti ir kokį solver nustatyti. Naudokite LogisticRegression su multi_class nustatytu kaip ovr ir solver nustatytu kaip liblinear mokymui.

1. Sukurkite logistinę regresiją su multi_class nustatytu kaip ovr ir solver nustatytu kaip 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))
   

   ✅ Išbandykite kitą solver, pvz., lbfgs, kuris dažnai nustatomas kaip numatytasis.

Pastaba, naudokite Pandas ravel funkciją, kad prireikus suplokštintumėte savo duomenis. Tikslumas yra geras - daugiau nei 80%!

1. Galite pamatyti šio modelio veikimą, išbandydami vieną duomenų eilutę (#50):

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

   Rezultatas atspausdinamas:

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

   ✅ Išbandykite kitą eilutės numerį ir patikrinkite rezultatus.

2. Gilinantis, galite patikrinti šios prognozės tikslumą:

   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()
   

   Rezultatas atspausdinamas - Indijos virtuvė yra geriausia spėjimo galimybė, su gera tikimybe:

   	0
   indian	0.715851
   chinese	0.229475
   japanese	0.029763
   korean	0.017277
   thai	0.007634

   ✅ Ar galite paaiškinti, kodėl modelis yra gana tikras, kad tai Indijos virtuvė?

3. Gaukite daugiau informacijos, atspausdindami klasifikacijos ataskaitą, kaip tai darėte regresijos pamokose:

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

   	tikslumas	atšaukimas	f1-rezultatas	palaikymas
   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
   tikslumas	0.80	1199
   vidurkis	0.80	0.80	0.80	1199
   svertinis vidurkis	0.80	0.80	0.80	1199

🚀Iššūkis

Šioje pamokoje naudojote išvalytus duomenis, kad sukurtumėte mašininio mokymosi modelį, galintį prognozuoti nacionalinę virtuvę pagal ingredientų seriją. Skirkite laiko perskaityti daugybę Scikit-learn siūlomų galimybių duomenų klasifikavimui. Gilinkitės į „sprendiklio“ (solver) koncepciją, kad suprastumėte, kas vyksta užkulisiuose.

Po paskaitos testas

Apžvalga ir savarankiškas mokymasis

Pasigilinkite į matematiką, slypinčią už logistinės regresijos, šioje pamokoje

Užduotis

Studijuokite sprendiklius

---

Atsakomybės atsisakymas:
Šis dokumentas buvo išverstas naudojant AI vertimo paslaugą Co-op Translator. Nors siekiame tikslumo, prašome atkreipti dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Kritinei informacijai rekomenduojama profesionali žmogaus vertimo paslauga. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus interpretavimus, atsiradusius naudojant šį vertimą.