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

Klassificering av kök 1

I den här lektionen kommer du att använda datasetet som du sparade från den senaste lektionen, fullt av balanserad och ren data om olika kök.

Du kommer att använda detta dataset med en mängd olika klassificerare för att förutsäga ett visst nationellt kök baserat på en grupp ingredienser. Under tiden kommer du att lära dig mer om hur algoritmer kan användas för klassificeringsuppgifter.

Quiz före föreläsningen

Förberedelse

Om du har slutfört Lektionen 1, se till att en cleaned_cuisines.csv-fil finns i rotmappen /data för dessa fyra lektioner.

Övning - förutsäg ett nationellt kök

1. Arbeta i den här lektionens notebook.ipynb-mapp och importera filen tillsammans med Pandas-biblioteket:

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

   Datat ser ut så här:

	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. Importera nu flera andra bibliotek:

   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. Dela upp X- och y-koordinaterna i två dataframes för träning. cuisine kan vara etikett-databasen:

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

   Det kommer att se ut så här:

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

3. Ta bort kolumnen Unnamed: 0 och kolumnen cuisine genom att använda drop(). Spara resten av datan som träningsbara funktioner:

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

   Dina funktioner ser ut så här:

	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

Nu är du redo att träna din modell!

Välja klassificerare

Nu när din data är ren och redo för träning måste du bestämma vilken algoritm du ska använda för uppgiften.

Scikit-learn grupperar klassificering under Supervised Learning, och inom den kategorin hittar du många sätt att klassificera. Variationen kan verka överväldigande vid första anblicken. Följande metoder inkluderar alla klassificeringstekniker:

• Linjära modeller
• Support Vector Machines
• Stokastisk gradientnedstigning
• Närmaste grannar
• Gaussiska processer
• Beslutsträd
• Ensemblemetoder (röstningsklassificerare)
• Multiklass- och multioutput-algoritmer (multiklass- och multilabel-klassificering, multiklass-multioutput-klassificering)

Du kan också använda neurala nätverk för att klassificera data, men det ligger utanför denna lektions omfattning.

Vilken klassificerare ska man välja?

Så, vilken klassificerare ska du välja? Ofta kan man testa flera och leta efter ett bra resultat. Scikit-learn erbjuder en jämförelse sida vid sida på ett skapat dataset, där KNeighbors, SVC på två sätt, GaussianProcessClassifier, DecisionTreeClassifier, RandomForestClassifier, MLPClassifier, AdaBoostClassifier, GaussianNB och QuadraticDiscriminationAnalysis jämförs och resultaten visualiseras:

Diagram genererade från Scikit-learns dokumentation

AutoML löser detta problem smidigt genom att köra dessa jämförelser i molnet, vilket gör att du kan välja den bästa algoritmen för din data. Prova det här

En bättre metod

En bättre metod än att gissa vilt är att följa idéerna i detta nedladdningsbara ML Cheat Sheet. Här upptäcker vi att vi för vårt multiklassproblem har några alternativ:

En del av Microsofts Algorithm Cheat Sheet, som beskriver alternativ för multiklassklassificering

✅ Ladda ner denna fusklapp, skriv ut den och häng upp den på väggen!

Resonemang

Låt oss se om vi kan resonera oss fram till olika metoder med tanke på de begränsningar vi har:

• Neurala nätverk är för tunga. Med tanke på vårt rena men minimala dataset och det faktum att vi kör träning lokalt via notebooks, är neurala nätverk för resurskrävande för denna uppgift.
• Ingen tvåklassklassificerare. Vi använder inte en tvåklassklassificerare, så det utesluter one-vs-all.
• Beslutsträd eller logistisk regression kan fungera. Ett beslutsträd kan fungera, eller logistisk regression för multiklassdata.
• Multiklass Boosted Decision Trees löser ett annat problem. Multiklass Boosted Decision Tree är mest lämplig för icke-parametriska uppgifter, t.ex. uppgifter som är utformade för att skapa rankningar, så det är inte användbart för oss.

Använda Scikit-learn

Vi kommer att använda Scikit-learn för att analysera vår data. Det finns dock många sätt att använda logistisk regression i Scikit-learn. Ta en titt på parametrarna att skicka.

I huvudsak finns det två viktiga parametrar - multi_class och solver - som vi behöver specificera när vi ber Scikit-learn att utföra en logistisk regression. Värdet på multi_class tillämpar ett visst beteende. Värdet på solver är vilken algoritm som ska användas. Inte alla solvers kan kombineras med alla multi_class-värden.

Enligt dokumentationen, i multiklassfallet, träningsalgoritmen:

• Använder one-vs-rest (OvR)-schemat, om multi_class-alternativet är inställt på ovr
• Använder korsentropiförlust, om multi_class-alternativet är inställt på multinomial. (För närvarande stöds multinomial-alternativet endast av solvers ‘lbfgs’, ‘sag’, ‘saga’ och ‘newton-cg’.)

🎓 'Schemat' här kan antingen vara 'ovr' (one-vs-rest) eller 'multinomial'. Eftersom logistisk regression egentligen är utformad för att stödja binär klassificering, tillåter dessa scheman den att bättre hantera multiklassklassificeringsuppgifter. källa

🎓 'Solver' definieras som "algoritmen som ska användas i optimeringsproblemet". källa.

Scikit-learn erbjuder denna tabell för att förklara hur solvers hanterar olika utmaningar som presenteras av olika typer av datastrukturer:

Övning - dela upp datan

Vi kan fokusera på logistisk regression för vår första träningsförsök eftersom du nyligen lärde dig om den i en tidigare lektion. Dela upp din data i tränings- och testgrupper genom att kalla på train_test_split():

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

Övning - tillämpa logistisk regression

Eftersom du använder multiklassfallet behöver du välja vilket schema du ska använda och vilken solver du ska ställa in. Använd LogisticRegression med en multiklassinställning och liblinear-solver för att träna.

1. Skapa en logistisk regression med multi_class inställd på ovr och solver inställd på 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))
   

   ✅ Prova en annan solver som lbfgs, som ofta är inställd som standard

Observera, använd Pandas ravel-funktionen för att platta ut dina data vid behov. Noggrannheten är bra på över 80%!

1. Du kan se denna modell i aktion genom att testa en rad data (#50):

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

   Resultatet skrivs ut:

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

   ✅ Prova ett annat radnummer och kontrollera resultaten

2. För att gå djupare kan du kontrollera noggrannheten för denna förutsägelse:

   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 skrivs ut - indisk mat är dess bästa gissning, med hög sannolikhet:

   	0
   indian	0.715851
   chinese	0.229475
   japanese	0.029763
   korean	0.017277
   thai	0.007634

   ✅ Kan du förklara varför modellen är ganska säker på att detta är indisk mat?

3. Få mer detaljer genom att skriva ut en klassificeringsrapport, precis som du gjorde i regression-lektionerna:

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

   	precision	recall	f1-score	support
   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

🚀Utmaning

I denna lektion använde du dina rensade data för att bygga en maskininlärningsmodell som kan förutsäga ett nationellt kök baserat på en serie ingredienser. Ta lite tid att läsa igenom de många alternativ som Scikit-learn erbjuder för att klassificera data. Gå djupare in i konceptet 'solver' för att förstå vad som händer bakom kulisserna.

Quiz efter föreläsningen

Granskning & Självstudier

Gräv lite djupare i matematiken bakom logistisk regression i denna lektion

Uppgift

Studera lösningsmetoderna

---

Ansvarsfriskrivning:
Detta dokument har översatts med hjälp av AI-översättningstjänsten Co-op Translator. Även om vi strävar efter noggrannhet, bör du vara medveten om att automatiserade översättningar kan innehålla fel eller inexaktheter. Det ursprungliga dokumentet på dess ursprungliga språk bör betraktas som den auktoritativa källan. För kritisk information rekommenderas professionell mänsklig översättning. Vi ansvarar inte för eventuella missförstånd eller feltolkningar som uppstår vid användning av denna översättning.