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

Klasifikátory kuchýň 1

V tejto lekcii použijete dataset, ktorý ste si uložili z predchádzajúcej lekcie, plný vyvážených a čistých údajov o kuchyniach.

Tento dataset použijete s rôznymi klasifikátormi na predpovedanie národnej kuchyne na základe skupiny ingrediencií. Pri tom sa dozviete viac o tom, ako môžu byť algoritmy využívané na klasifikačné úlohy.

Kvíz pred prednáškou

Príprava

Za predpokladu, že ste dokončili Lekciu 1, uistite sa, že súbor cleaned_cuisines.csv existuje v koreňovom priečinku /data pre tieto štyri lekcie.

Cvičenie - predpovedanie národnej kuchyne

1. Pracujte v priečinku notebook.ipynb tejto lekcie, importujte tento súbor spolu s knižnicou Pandas:

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

   Údaje vyzerajú takto:

	Unnamed: 0	kuchyňa	mandľa	angelika	aníz	anízové semeno	jablko	jablkový brandy	marhuľa	armagnac	...	whiskey	biely chlieb	biele víno	celozrnná pšeničná múka	víno	drevo	yam	droždie	jogurt	cuketa
0	0	indická	0	0	0	0	0	0	0	0	...	0	0	0	0	0	0	0	0	0	0
1	1	indická	1	0	0	0	0	0	0	0	...	0	0	0	0	0	0	0	0	0	0
2	2	indická	0	0	0	0	0	0	0	0	...	0	0	0	0	0	0	0	0	0	0
3	3	indická	0	0	0	0	0	0	0	0	...	0	0	0	0	0	0	0	0	0	0
4	4	indická	0	0	0	0	0	0	0	0	...	0	0	0	0	0	0	0	0	1	0

1. Teraz importujte niekoľko ďalších knižníc:

   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. Rozdeľte X a y súradnice do dvoch dataframeov na trénovanie. cuisine môže byť dataframe s označeniami:

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

   Bude to vyzerať takto:

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

3. Odstráňte stĺpec Unnamed: 0 a stĺpec cuisine pomocou drop(). Zvyšok údajov uložte ako trénovateľné vlastnosti:

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

   Vaše vlastnosti vyzerajú takto:

	mandľa	angelika	aníz	anízové semeno	jablko	jablkový brandy	marhuľa	armagnac	artemisia	artičok	...	whiskey	biely chlieb	biele víno	celozrnná pšeničná múka	víno	drevo	yam	droždie	jogurt	cuketa
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

Teraz ste pripravení trénovať váš model!

Výber klasifikátora

Keď sú vaše údaje čisté a pripravené na trénovanie, musíte sa rozhodnúť, ktorý algoritmus použiť na túto úlohu.

Scikit-learn zaraďuje klasifikáciu pod Supervised Learning, a v tejto kategórii nájdete mnoho spôsobov klasifikácie. Rozmanitosť je na prvý pohľad dosť zarážajúca. Nasledujúce metódy zahŕňajú techniky klasifikácie:

• Lineárne modely
• Support Vector Machines
• Stochastický gradientný zostup
• Najbližší susedia
• Gaussovské procesy
• Rozhodovacie stromy
• Ensemble metódy (hlasovací klasifikátor)
• Multiclass a multioutput algoritmy (multiclass a multilabel klasifikácia, multiclass-multioutput klasifikácia)

Na klasifikáciu údajov môžete použiť aj neurónové siete, ale to je mimo rozsah tejto lekcie.

Aký klasifikátor zvoliť?

Takže, ktorý klasifikátor by ste si mali vybrať? Často je dobré vyskúšať niekoľko a hľadať dobrý výsledok. Scikit-learn ponúka porovnanie vedľa seba na vytvorenom datasete, kde porovnáva KNeighbors, SVC dvoma spôsobmi, GaussianProcessClassifier, DecisionTreeClassifier, RandomForestClassifier, MLPClassifier, AdaBoostClassifier, GaussianNB a QuadraticDiscriminationAnalysis, pričom výsledky vizualizuje:

Grafy generované na dokumentácii Scikit-learn

AutoML tento problém elegantne rieši tým, že vykonáva tieto porovnania v cloude, čo vám umožňuje vybrať najlepší algoritmus pre vaše údaje. Vyskúšajte to tu

Lepší prístup

Lepší spôsob ako náhodne hádať je však nasledovať nápady z tejto stiahnuteľnej ML Cheat Sheet. Tu zistíme, že pre náš multiclass problém máme niekoľko možností:

Časť Microsoftovej Algorithm Cheat Sheet, ktorá podrobne opisuje možnosti multiclass klasifikácie

✅ Stiahnite si tento cheat sheet, vytlačte ho a zaveste na stenu!

Úvahy

Pozrime sa, či dokážeme rozumne zhodnotiť rôzne prístupy vzhľadom na obmedzenia, ktoré máme:

• Neurónové siete sú príliš náročné. Vzhľadom na náš čistý, ale minimálny dataset a fakt, že trénovanie prebieha lokálne cez notebooky, sú neurónové siete príliš náročné na túto úlohu.
• Žiadny dvojtriedny klasifikátor. Nepoužívame dvojtriedny klasifikátor, takže to vylučuje one-vs-all.
• Rozhodovací strom alebo logistická regresia by mohli fungovať. Rozhodovací strom by mohol fungovať, alebo logistická regresia pre multiclass údaje.
• Multiclass Boosted Decision Trees riešia iný problém. Multiclass Boosted Decision Tree je najvhodnejší pre neparametrické úlohy, napr. úlohy určené na vytváranie rebríčkov, takže pre nás nie je užitočný.

Použitie Scikit-learn

Budeme používať Scikit-learn na analýzu našich údajov. Existuje však mnoho spôsobov, ako použiť logistickú regresiu v Scikit-learn. Pozrite sa na parametre na nastavenie.

V podstate existujú dva dôležité parametre - multi_class a solver - ktoré musíme špecifikovať, keď požiadame Scikit-learn o vykonanie logistickej regresie. Hodnota multi_class aplikuje určitú logiku. Hodnota solveru určuje, aký algoritmus sa použije. Nie všetky solvery môžu byť spárované so všetkými hodnotami multi_class.

Podľa dokumentácie, v prípade multiclass, tréningový algoritmus:

• Používa schému one-vs-rest (OvR), ak je možnosť multi_class nastavená na ovr
• Používa cross-entropy loss, ak je možnosť multi_class nastavená na multinomial. (Momentálne je možnosť multinomial podporovaná iba solvermi ‘lbfgs’, ‘sag’, ‘saga’ a ‘newton-cg’.)

🎓 Schéma tu môže byť buď 'ovr' (one-vs-rest) alebo 'multinomial'. Keďže logistická regresia je skutočne navrhnutá na podporu binárnej klasifikácie, tieto schémy jej umožňujú lepšie zvládnuť úlohy multiclass klasifikácie. zdroj

🎓 Solver je definovaný ako "algoritmus, ktorý sa použije na optimalizačný problém". zdroj.

Scikit-learn ponúka túto tabuľku na vysvetlenie, ako solvery zvládajú rôzne výzvy, ktoré predstavujú rôzne typy dátových štruktúr:

Cvičenie - rozdelenie údajov

Môžeme sa zamerať na logistickú regresiu pre náš prvý tréningový pokus, keďže ste sa o nej nedávno učili v predchádzajúcej lekcii. Rozdeľte svoje údaje na trénovacie a testovacie skupiny pomocou train_test_split():

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

Cvičenie - aplikácia logistickej regresie

Keďže používate prípad multiclass, musíte si vybrať, akú schému použiť a aký solver nastaviť. Použite LogisticRegression s nastavením multiclass a solverom liblinear na trénovanie.

1. Vytvorte logistickú regresiu s multi_class nastavenou na ovr a solverom 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))
   

   ✅ Vyskúšajte iný solver, napríklad lbfgs, ktorý je často nastavený ako predvolený.

Poznámka: Použite funkciu Pandas ravel na zjednodušenie vašich údajov, keď je to potrebné. Presnosť je dobrá na viac ako 80%!

1. Tento model si môžete vyskúšať na jednom riadku dát (#50):

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

   Výsledok sa zobrazí:

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

   ✅ Skúste iné číslo riadku a skontrolujte výsledky.

2. Ak chcete ísť hlbšie, môžete skontrolovať presnosť tejto predikcie:

   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()
   

   Výsledok sa zobrazí - indická kuchyňa je najpravdepodobnejší odhad s dobrou pravdepodobnosťou:

   	0
   indian	0.715851
   chinese	0.229475
   japanese	0.029763
   korean	0.017277
   thai	0.007634

   ✅ Dokážete vysvetliť, prečo si model myslí, že ide o indickú kuchyňu?

3. Získajte viac detailov vytlačením klasifikačnej správy, ako ste to robili v lekciách o regresii:

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

   	presnosť	recall	f1-skóre	podpora
   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
   presnosť	0.80	1199
   priemer makro	0.80	0.80	0.80	1199
   vážený priemer	0.80	0.80	0.80	1199

🚀Výzva

V tejto lekcii ste použili vyčistené dáta na vytvorenie modelu strojového učenia, ktorý dokáže predpovedať národnú kuchyňu na základe série ingrediencií. Venujte čas preskúmaniu mnohých možností, ktoré Scikit-learn ponúka na klasifikáciu dát. Ponorte sa hlbšie do konceptu 'solver', aby ste pochopili, čo sa deje v zákulisí.

Kvíz po prednáške

Prehľad & Samoštúdium

Preskúmajte matematiku za logistickou regresiou v tejto lekcii

Zadanie

Preskúmajte solvery

---

Upozornenie:
Tento dokument bol preložený pomocou služby AI prekladu Co-op Translator. Hoci sa snažíme o presnosť, prosím, berte na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho rodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nie sme zodpovední za žiadne nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.