ML-For-Beginners/translations/no/4-Classification/2-Classifiers-1/README.md

Klassifisering av matretter 1

I denne leksjonen skal du bruke datasettet du lagret fra forrige leksjon, som inneholder balanserte og rene data om matretter.

Du vil bruke dette datasettet med ulike klassifiseringsmetoder for å forutsi en nasjonal matrett basert på en gruppe ingredienser. Mens du gjør dette, vil du lære mer om hvordan algoritmer kan brukes til klassifiseringsoppgaver.

Quiz før leksjonen

Forberedelse

Forutsatt at du fullførte Leksjon 1, sørg for at en cleaned_cuisines.csv-fil finnes i rotmappen /data for disse fire leksjonene.

Øvelse - forutsi en nasjonal matrett

1. Arbeid i denne leksjonens notebook.ipynb-mappe, og importer filen sammen med Pandas-biblioteket:

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

   Dataen ser slik ut:

	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. Importer nå flere biblioteker:

   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. Del X- og y-koordinatene inn i to dataframes for trening. cuisine kan være etikett-datasettet:

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

   Det vil se slik ut:

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

3. Fjern kolonnen Unnamed: 0 og kolonnen cuisine ved å bruke drop(). Lagre resten av dataene som trenbare funksjoner:

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

   Funksjonene dine ser slik ut:

	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

Nå er du klar til å trene modellen din!

Velge klassifiseringsmetode

Nå som dataene dine er rene og klare for trening, må du bestemme hvilken algoritme du skal bruke til oppgaven.

Scikit-learn grupperer klassifisering under Supervised Learning, og i den kategorien finner du mange måter å klassifisere på. Utvalget kan virke overveldende ved første øyekast. Følgende metoder inkluderer klassifiseringsteknikker:

• Lineære modeller
• Support Vector Machines
• Stokastisk gradientnedstigning
• Nærmeste naboer
• Gaussiske prosesser
• Beslutningstrær
• Ensemble-metoder (voting Classifier)
• Multiklasse- og multioutput-algoritmer (multiklasse- og multilabel-klassifisering, multiklasse-multioutput-klassifisering)

Du kan også bruke nevrale nettverk til å klassifisere data, men det er utenfor omfanget av denne leksjonen.

Hvilken klassifiseringsmetode skal du velge?

Så, hvilken klassifiseringsmetode bør du velge? Ofte kan det være nyttig å teste flere metoder og se etter gode resultater. Scikit-learn tilbyr en side-ved-side-sammenligning på et opprettet datasett, som sammenligner KNeighbors, SVC på to måter, GaussianProcessClassifier, DecisionTreeClassifier, RandomForestClassifier, MLPClassifier, AdaBoostClassifier, GaussianNB og QuadraticDiscriminationAnalysis, og viser resultatene visuelt:

Diagrammer generert fra Scikit-learns dokumentasjon

AutoML løser dette problemet elegant ved å kjøre disse sammenligningene i skyen, slik at du kan velge den beste algoritmen for dataene dine. Prøv det her

En bedre tilnærming

En bedre tilnærming enn å gjette vilkårlig er å følge ideene i dette nedlastbare ML Cheat Sheet. Her oppdager vi at vi har noen valg for vårt multiklasse-problem:

En del av Microsofts Algorithm Cheat Sheet, som beskriver alternativer for multiklasse-klassifisering

✅ Last ned denne jukselappen, skriv den ut, og heng den på veggen!

Resonnement

La oss se om vi kan resonnere oss frem til ulike tilnærminger gitt de begrensningene vi har:

• Nevrale nettverk er for tunge. Gitt vårt rene, men minimale datasett, og det faktum at vi kjører trening lokalt via notebooks, er nevrale nettverk for tunge for denne oppgaven.
• Ingen to-klasse klassifiserer. Vi bruker ikke en to-klasse klassifiserer, så det utelukker one-vs-all.
• Beslutningstre eller logistisk regresjon kan fungere. Et beslutningstre kan fungere, eller logistisk regresjon for multiklasse-data.
• Multiklasse Boosted Decision Trees løser et annet problem. Multiklasse Boosted Decision Trees er mest egnet for ikke-parametriske oppgaver, f.eks. oppgaver designet for å bygge rangeringer, så det er ikke nyttig for oss.

Bruke Scikit-learn

Vi skal bruke Scikit-learn til å analysere dataene våre. Det finnes imidlertid mange måter å bruke logistisk regresjon i Scikit-learn. Ta en titt på parametrene du kan sende.

I hovedsak er det to viktige parametere - multi_class og solver - som vi må spesifisere når vi ber Scikit-learn om å utføre en logistisk regresjon. multi_class-verdien gir en viss oppførsel. Verdien av solver angir hvilken algoritme som skal brukes. Ikke alle solvers kan kombineres med alle multi_class-verdier.

Ifølge dokumentasjonen, i multiklasse-tilfellet, treningsalgoritmen:

• Bruker one-vs-rest (OvR)-skjemaet, hvis multi_class-alternativet er satt til ovr
• Bruker kryssentropitap, hvis multi_class-alternativet er satt til multinomial. (For øyeblikket støttes multinomial-alternativet kun av solverne ‘lbfgs’, ‘sag’, ‘saga’ og ‘newton-cg’.)

🎓 'Skjemaet' her kan enten være 'ovr' (one-vs-rest) eller 'multinomial'. Siden logistisk regresjon egentlig er designet for å støtte binær klassifisering, lar disse skjemaene den håndtere multiklasse-klassifiseringsoppgaver bedre. kilde

🎓 'Solver' er definert som "algoritmen som skal brukes i optimaliseringsproblemet". kilde.

Scikit-learn tilbyr denne tabellen for å forklare hvordan solvers håndterer ulike utfordringer presentert av forskjellige typer datastrukturer:

Øvelse - del dataene

Vi kan fokusere på logistisk regresjon for vår første treningsrunde siden du nylig lærte om dette i en tidligere leksjon. Del dataene dine inn i trenings- og testgrupper ved å bruke train_test_split():

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

Øvelse - bruk logistisk regresjon

Siden du bruker multiklasse-tilfellet, må du velge hvilket skjema du skal bruke og hvilken solver du skal sette. Bruk LogisticRegression med en multiklasse-innstilling og liblinear solver for å trene.

1. Opprett en logistisk regresjon med multi_class satt til ovr og solver satt til 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))
   

   ✅ Prøv en annen solver som lbfgs, som ofte er satt som standard

Merk, bruk Pandas ravel-funksjonen for å flate ut dataene dine når det er nødvendig. Nøyaktigheten er god på over 80%!

1. Du kan se denne modellen i aksjon ved å teste én rad med data (#50):

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

   Resultatet skrives ut:

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

   ✅ Prøv et annet radnummer og sjekk resultatene

2. For å gå dypere, kan du sjekke nøyaktigheten til denne prediksjonen:

   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()
   

   Resultatet skrives ut - indisk mat er modellens beste gjetning, med høy sannsynlighet:

   	0
   indian	0.715851
   chinese	0.229475
   japanese	0.029763
   korean	0.017277
   thai	0.007634

   ✅ Kan du forklare hvorfor modellen er ganske sikker på at dette er indisk mat?

3. Få mer detaljert informasjon ved å skrive ut en klassifikasjonsrapport, slik du gjorde i regresjonsleksjonene:

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

   	presisjon	recall	f1-score	støtte
   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
   nøyaktighet	0.80	1199
   makro snitt	0.80	0.80	0.80	1199
   vektet snitt	0.80	0.80	0.80	1199

🚀Utfordring

I denne leksjonen brukte du de rensede dataene dine til å bygge en maskinlæringsmodell som kan forutsi en nasjonal matrett basert på en rekke ingredienser. Ta deg tid til å lese gjennom de mange alternativene Scikit-learn tilbyr for å klassifisere data. Gå dypere inn i konseptet 'solver' for å forstå hva som skjer i bakgrunnen.

Quiz etter forelesning

Gjennomgang & Selvstudium

Grav litt dypere i matematikken bak logistisk regresjon i denne leksjonen

Oppgave

Studer solverne

---

Ansvarsfraskrivelse:
Dette dokumentet er oversatt ved hjelp av AI-oversettelsestjenesten Co-op Translator. Selv om vi streber etter nøyaktighet, vær oppmerksom på at automatiserte oversettelser kan inneholde feil eller unøyaktigheter. Det originale dokumentet på sitt opprinnelige språk bør anses som den autoritative kilden. For kritisk informasjon anbefales profesjonell menneskelig oversettelse. Vi er ikke ansvarlige for misforståelser eller feiltolkninger som oppstår ved bruk av denne oversettelsen.