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

Classificadores de culinária 1

Nesta lição, vais utilizar o conjunto de dados que guardaste na última lição, cheio de dados equilibrados e limpos sobre culinárias.

Vais usar este conjunto de dados com uma variedade de classificadores para prever uma culinária nacional com base num grupo de ingredientes. Enquanto fazes isso, vais aprender mais sobre algumas das formas como os algoritmos podem ser utilizados para tarefas de classificação.

Questionário pré-aula

Preparação

Assumindo que completaste Lição 1, certifica-te de que existe um ficheiro cleaned_cuisines.csv na pasta raiz /data para estas quatro lições.

Exercício - prever uma culinária nacional

1. Trabalhando na pasta notebook.ipynb desta lição, importa esse ficheiro juntamente com a biblioteca Pandas:

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

   Os dados têm este aspeto:

	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. Agora, importa mais algumas bibliotecas:

   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. Divide as coordenadas X e y em dois dataframes para treino. cuisine pode ser o dataframe de etiquetas:

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

   Vai ter este aspeto:

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

3. Remove a coluna Unnamed: 0 e a coluna cuisine, utilizando drop(). Guarda o resto dos dados como características treináveis:

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

   As tuas características têm este aspeto:

	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

Agora estás pronto para treinar o teu modelo!

Escolher o classificador

Agora que os teus dados estão limpos e prontos para treino, tens de decidir qual o algoritmo a usar para o trabalho.

O Scikit-learn agrupa a classificação sob Aprendizagem Supervisionada, e nessa categoria vais encontrar muitas formas de classificar. A variedade pode parecer confusa à primeira vista. Os seguintes métodos incluem técnicas de classificação:

• Modelos Lineares
• Máquinas de Vetores de Suporte
• Descida de Gradiente Estocástica
• Vizinhos Mais Próximos
• Processos Gaussianos
• Árvores de Decisão
• Métodos de Ensemble (classificador por votação)
• Algoritmos multiclasses e multioutput (classificação multiclasses e multilabel, classificação multiclasses-multioutput)

Também podes usar redes neuronais para classificar dados, mas isso está fora do âmbito desta lição.

Qual classificador escolher?

Então, qual classificador deves escolher? Muitas vezes, testar vários e procurar um bom resultado é uma forma de experimentar. O Scikit-learn oferece uma comparação lado a lado num conjunto de dados criado, comparando KNeighbors, SVC de duas formas, GaussianProcessClassifier, DecisionTreeClassifier, RandomForestClassifier, MLPClassifier, AdaBoostClassifier, GaussianNB e QuadraticDiscriminationAnalysis, mostrando os resultados visualizados:

Gráficos gerados na documentação do Scikit-learn

O AutoML resolve este problema de forma prática ao realizar estas comparações na nuvem, permitindo-te escolher o melhor algoritmo para os teus dados. Experimenta aqui

Uma abordagem melhor

Uma forma melhor do que adivinhar aleatoriamente é seguir as ideias deste guia de consulta de ML que podes descarregar. Aqui, descobrimos que, para o nosso problema multiclasses, temos algumas opções:

Uma secção do Guia de Algoritmos da Microsoft, detalhando opções de classificação multiclasses

✅ Descarrega este guia, imprime-o e pendura-o na tua parede!

Raciocínio

Vamos ver se conseguimos raciocinar sobre diferentes abordagens dadas as restrições que temos:

• Redes neuronais são demasiado pesadas. Dado o nosso conjunto de dados limpo, mas minimalista, e o facto de estarmos a realizar o treino localmente via notebooks, redes neuronais são demasiado pesadas para esta tarefa.
• Sem classificadores de duas classes. Não usamos um classificador de duas classes, o que exclui o one-vs-all.
• Árvore de decisão ou regressão logística podem funcionar. Uma árvore de decisão pode funcionar, ou regressão logística para dados multiclasses.
• Árvores de decisão impulsionadas multiclasses resolvem outro problema. A árvore de decisão impulsionada multiclasses é mais adequada para tarefas não paramétricas, como tarefas projetadas para criar rankings, por isso não é útil para nós.

Usar Scikit-learn

Vamos usar o Scikit-learn para analisar os nossos dados. No entanto, existem muitas formas de usar regressão logística no Scikit-learn. Dá uma olhada nos parâmetros a passar.

Basicamente, há dois parâmetros importantes - multi_class e solver - que precisamos especificar quando pedimos ao Scikit-learn para realizar uma regressão logística. O valor de multi_class aplica um certo comportamento. O valor do solver é o algoritmo a usar. Nem todos os solvers podem ser combinados com todos os valores de multi_class.

De acordo com a documentação, no caso multiclasses, o algoritmo de treino:

• Usa o esquema one-vs-rest (OvR), se a opção multi_class estiver definida como ovr
• Usa a perda de entropia cruzada, se a opção multi_class estiver definida como multinomial. (Atualmente, a opção multinomial é suportada apenas pelos solvers ‘lbfgs’, ‘sag’, ‘saga’ e ‘newton-cg’.)

🎓 O 'esquema' aqui pode ser 'ovr' (one-vs-rest) ou 'multinomial'. Como a regressão logística foi projetada para suportar classificação binária, esses esquemas permitem que ela lide melhor com tarefas de classificação multiclasses. fonte

🎓 O 'solver' é definido como "o algoritmo a usar no problema de otimização". fonte.

O Scikit-learn oferece esta tabela para explicar como os solvers lidam com diferentes desafios apresentados por diferentes tipos de estruturas de dados:

Exercício - dividir os dados

Podemos focar-nos na regressão logística para o nosso primeiro teste de treino, já que aprendeste sobre ela recentemente numa lição anterior. Divide os teus dados em grupos de treino e teste chamando train_test_split():

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

Exercício - aplicar regressão logística

Como estás a usar o caso multiclasses, precisas de escolher que esquema usar e que solver definir. Usa LogisticRegression com uma configuração multiclasses e o solver liblinear para treinar.

1. Cria uma regressão logística com multi_class definida como ovr e o solver definido como 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))
   

   ✅ Experimenta um solver diferente como lbfgs, que muitas vezes é definido como padrão

Nota, utilize a função Pandas ravel para achatar os seus dados quando necessário. A precisão é boa, acima de 80%!

1. Pode ver este modelo em ação ao testar uma linha de dados (#50):

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

   O resultado é impresso:

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

   ✅ Experimente um número de linha diferente e verifique os resultados.

2. Explorando mais a fundo, pode verificar a precisão desta previsão:

   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()
   

   O resultado é impresso - cozinha indiana é a melhor estimativa, com boa probabilidade:

   	0
   indian	0.715851
   chinese	0.229475
   japanese	0.029763
   korean	0.017277
   thai	0.007634

   ✅ Consegue explicar por que o modelo tem tanta certeza de que se trata de uma cozinha indiana?

3. Obtenha mais detalhes imprimindo um relatório de classificação, como fez nas lições de regressão:

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

   	precisão	recall	f1-score	suporte
   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

🚀Desafio

Nesta lição, utilizou os seus dados limpos para construir um modelo de aprendizagem automática que pode prever uma cozinha nacional com base numa série de ingredientes. Dedique algum tempo a explorar as muitas opções que o Scikit-learn oferece para classificar dados. Aprofunde o conceito de 'solver' para entender o que acontece nos bastidores.

Questionário pós-aula

Revisão & Estudo Individual

Explore um pouco mais a matemática por trás da regressão logística nesta lição.

Tarefa

Estude os solvers

---

Aviso Legal:
Este documento foi traduzido utilizando o serviço de tradução automática Co-op Translator. Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automáticas podem conter erros ou imprecisões. O documento original na sua língua nativa deve ser considerado a fonte oficial. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações incorretas resultantes do uso desta tradução.