ML-For-Beginners/translations/tw/4-Classification/1-Introduction

分類簡介

在這四節課中，你將探索經典機器學習的一個核心主題——分類。我們將使用一個關於亞洲和印度美食的數據集，逐步學習如何使用各種分類算法。希望你已經準備好大快朵頤了！

在這些課程中一起慶祝泛亞洲美食吧！圖片來源：Jen Looper

分類是一種監督式學習，與回歸技術有許多相似之處。如果機器學習的核心是通過數據集來預測值或名稱，那麼分類通常分為兩類：二元分類_和_多類分類。

🎥 點擊上方圖片觀看影片：麻省理工學院的 John Guttag 介紹分類

請記住：

• 線性回歸 幫助你預測變量之間的關係，並準確預測新數據點在該線上的位置。例如，你可以預測 南瓜在九月和十二月的價格。
• 邏輯回歸 幫助你發現「二元類別」：在這個價格點上，這個南瓜是橙色還是不是橙色？

分類使用各種算法來確定數據點的標籤或類別。讓我們使用這個美食數據集，看看是否可以通過觀察一組食材來確定其來源的美食類型。

課前測驗

本課程提供 R 語言版本！

簡介

分類是機器學習研究者和數據科學家的一項基本活動。從基本的二元值分類（「這封郵件是垃圾郵件還是不是？」）到使用計算機視覺進行的複雜圖像分類和分割，能夠將數據分成類別並對其進行分析總是很有用。

用更科學的方式來描述，分類方法創建了一個預測模型，使你能夠將輸入變量與輸出變量之間的關係映射起來。

二元分類與多類分類問題的處理方式。信息圖來源：Jen Looper

在開始清理數據、可視化數據並為機器學習任務做準備之前，讓我們先了解一下機器學習如何用於分類數據。

分類源於統計學，使用經典機器學習進行分類時，會利用特徵（例如 smoker、weight 和 age）來確定_患某種疾病的可能性_。作為一種與之前進行的回歸練習類似的監督式學習技術，你的數據是帶標籤的，機器學習算法使用這些標籤來分類和預測數據集的類別（或「特徵」），並將其分配到某個組或結果中。

✅ 花點時間想像一個關於美食的數據集。一個多類模型能回答什麼問題？一個二元模型能回答什麼問題？如果你想確定某種美食是否可能使用葫蘆巴（fenugreek）呢？如果你想知道，當你收到一袋裝滿八角、大洋薊、花椰菜和辣根的雜貨時，是否可以用它們做出一道典型的印度菜呢？

🎥 點擊上方圖片觀看影片。節目《Chopped》的整個主題就是「神秘食材籃」，廚師們必須用隨機選擇的食材做出一道菜。機器學習模型肯定能幫上忙！

Hello '分類器'

我們想要從這個美食數據集中提出的問題實際上是一個多類問題，因為我們有多個潛在的國家美食類別可供選擇。給定一批食材，這些數據會屬於哪一類？

Scikit-learn 提供了多種算法來分類數據，具體取決於你想解決的問題類型。在接下來的兩節課中，你將學習其中幾種算法。

練習 - 清理並平衡數據

在開始這個項目之前，第一個任務是清理並平衡數據，以獲得更好的結果。從此文件夾根目錄中的空白 notebook.ipynb 文件開始。

首先需要安裝 imblearn。這是一個 Scikit-learn 的擴展包，可以幫助你更好地平衡數據（稍後你會學到更多關於這項任務的內容）。

1. 要安裝 imblearn，運行以下命令：

   pip install imblearn
   

2. 導入需要的包以導入數據並進行可視化，還需要從 imblearn 導入 SMOTE。

   import pandas as pd
   import matplotlib.pyplot as plt
   import matplotlib as mpl
   import numpy as np
   from imblearn.over_sampling import SMOTE
   

   現在你已經準備好導入數據了。

3. 下一步是導入數據：

   df  = pd.read_csv('../data/cuisines.csv')
   

   使用 read_csv() 讀取 cusines.csv 文件的內容，並將其存儲在變量 df 中。

4. 檢查數據的形狀：

   df.head()
   

   前五行看起來像這樣：

   |     | 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   | 65         | indian  | 0      | 0        | 0     | 0          | 0     | 0            | 0       | 0        | ... | 0       | 0           | 0          | 0                       | 0    | 0    | 0   | 0     | 0      | 0        |
   | 1   | 66         | indian  | 1      | 0        | 0     | 0          | 0     | 0            | 0       | 0        | ... | 0       | 0           | 0          | 0                       | 0    | 0    | 0   | 0     | 0      | 0        |
   | 2   | 67         | indian  | 0      | 0        | 0     | 0          | 0     | 0            | 0       | 0        | ... | 0       | 0           | 0          | 0                       | 0    | 0    | 0   | 0     | 0      | 0        |
   | 3   | 68         | indian  | 0      | 0        | 0     | 0          | 0     | 0            | 0       | 0        | ... | 0       | 0           | 0          | 0                       | 0    | 0    | 0   | 0     | 0      | 0        |
   | 4   | 69         | indian  | 0      | 0        | 0     | 0          | 0     | 0            | 0       | 0        | ... | 0       | 0           | 0          | 0                       | 0    | 0    | 0   | 0     | 1      | 0        |
   

5. 通過調用 info() 獲取關於數據的信息：

   df.info()
   

   輸出類似於：

   <class 'pandas.core.frame.DataFrame'>
   RangeIndex: 2448 entries, 0 to 2447
   Columns: 385 entries, Unnamed: 0 to zucchini
   dtypes: int64(384), object(1)
   memory usage: 7.2+ MB
   

練習 - 探索美食數據

現在開始進入更有趣的部分。讓我們發現每種美食的數據分佈情況。

1. 調用 barh() 以條形圖形式繪製數據：

   df.cuisine.value_counts().plot.barh()
   

   

   雖然美食的種類是有限的，但數據分佈並不均勻。你可以解決這個問題！在此之前，先進一步探索。

2. 找出每種美食的數據量並打印出來：

   thai_df = df[(df.cuisine == "thai")]
   japanese_df = df[(df.cuisine == "japanese")]
   chinese_df = df[(df.cuisine == "chinese")]
   indian_df = df[(df.cuisine == "indian")]
   korean_df = df[(df.cuisine == "korean")]
   
   print(f'thai df: {thai_df.shape}')
   print(f'japanese df: {japanese_df.shape}')
   print(f'chinese df: {chinese_df.shape}')
   print(f'indian df: {indian_df.shape}')
   print(f'korean df: {korean_df.shape}')
   

   輸出如下所示：

   thai df: (289, 385)
   japanese df: (320, 385)
   chinese df: (442, 385)
   indian df: (598, 385)
   korean df: (799, 385)
   

發現食材

現在你可以更深入地挖掘數據，了解每種美食的典型食材。你應該清理掉那些在不同美食之間造成混淆的重複數據，讓我們來了解這個問題。

1. 在 Python 中創建一個函數 create_ingredient()，用於創建一個食材數據框。該函數將首先刪除一個無用的列，然後按食材的數量進行排序：

   def create_ingredient_df(df):
       ingredient_df = df.T.drop(['cuisine','Unnamed: 0']).sum(axis=1).to_frame('value')
       ingredient_df = ingredient_df[(ingredient_df.T != 0).any()]
       ingredient_df = ingredient_df.sort_values(by='value', ascending=False,
       inplace=False)
       return ingredient_df
   

   現在你可以使用該函數來了解每種美食中最受歡迎的前十種食材。

2. 調用 create_ingredient() 並使用 barh() 繪製圖表：

   thai_ingredient_df = create_ingredient_df(thai_df)
   thai_ingredient_df.head(10).plot.barh()
   

   

3. 對日本美食數據執行相同操作：

   japanese_ingredient_df = create_ingredient_df(japanese_df)
   japanese_ingredient_df.head(10).plot.barh()
   

   

4. 接下來是中國美食的食材：

   chinese_ingredient_df = create_ingredient_df(chinese_df)
   chinese_ingredient_df.head(10).plot.barh()
   

   

5. 繪製印度美食的食材：

   indian_ingredient_df = create_ingredient_df(indian_df)
   indian_ingredient_df.head(10).plot.barh()
   

   

6. 最後，繪製韓國美食的食材：

   korean_ingredient_df = create_ingredient_df(korean_df)
   korean_ingredient_df.head(10).plot.barh()
   

   

7. 現在，通過調用 drop() 刪除那些在不同美食之間造成混淆的最常見食材：

   每個人都喜歡米飯、大蒜和薑！

   feature_df= df.drop(['cuisine','Unnamed: 0','rice','garlic','ginger'], axis=1)
   labels_df = df.cuisine #.unique()
   feature_df.head()
   

平衡數據集

現在你已經清理了數據，使用 SMOTE（合成少數類別過採樣技術）來平衡數據。

1. 調用 fit_resample()，這種策略通過插值生成新樣本。

   oversample = SMOTE()
   transformed_feature_df, transformed_label_df = oversample.fit_resample(feature_df, labels_df)
   

   通過平衡數據，你在分類時會獲得更好的結果。想像一下二元分類。如果你的大部分數據屬於一個類別，那麼機器學習模型會更頻繁地預測該類別，僅僅因為該類別的數據更多。平衡數據可以消除這種不平衡。

2. 現在你可以檢查每種食材的標籤數量：

   print(f'new label count: {transformed_label_df.value_counts()}')
   print(f'old label count: {df.cuisine.value_counts()}')
   

   輸出如下所示：

   new label count: korean      799
   chinese     799
   indian      799
   japanese    799
   thai        799
   Name: cuisine, dtype: int64
   old label count: korean      799
   indian      598
   chinese     442
   japanese    320
   thai        289
   Name: cuisine, dtype: int64
   

   數據現在乾淨、平衡，而且非常誘人！

3. 最後一步是將平衡後的數據（包括標籤和特徵）保存到一個新的數據框中，並導出到文件中：

   transformed_df = pd.concat([transformed_label_df,transformed_feature_df],axis=1, join='outer')
   

4. 你可以使用 transformed_df.head() 和 transformed_df.info() 再次查看數據。保存這份數據以便在未來的課程中使用：

   transformed_df.head()
   transformed_df.info()
   transformed_df.to_csv("../data/cleaned_cuisines.csv")
   

   這份新的 CSV 文件現在可以在根數據文件夾中找到。

---

🚀挑戰

本課程包含多個有趣的數據集。瀏覽 data 文件夾，看看是否有適合二元或多類分類的數據集？你會對這些數據集提出什麼問題？

課後測驗

回顧與自學

探索 SMOTE 的 API。它最適合用於哪些場景？它解決了哪些問題？

作業

探索分類方法

---

免責聲明：
本文件已使用 AI 翻譯服務 Co-op Translator 進行翻譯。我們致力於提供準確的翻譯，但請注意，自動翻譯可能包含錯誤或不準確之處。原始語言的文件應被視為權威來源。對於重要資訊，建議使用專業人工翻譯。我們對因使用此翻譯而產生的任何誤解或錯誤解釋不承擔責任。