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

खाना प्रकार वर्गीकरण १

यस पाठमा, तपाईंले अघिल्लो पाठबाट बचत गरिएको सन्तुलित, सफा डेटा प्रयोग गर्नुहुनेछ, जुन विभिन्न खाना प्रकारहरूको बारेमा छ।

तपाईं यो डेटा विभिन्न वर्गीकरण विधिहरूसँग प्रयोग गर्नुहुनेछ ताकि एक समूह सामग्रीको आधारमा कुनै राष्ट्रिय खाना प्रकारको भविष्यवाणी गर्न सकियोस्। यस क्रममा, तपाईंले वर्गीकरण कार्यहरूको लागि एल्गोरिदम कसरी प्रयोग गर्न सकिन्छ भन्ने बारे थप जान्नुहुनेछ।

पाठ अघि क्विज

तयारी

यदि तपाईंले पाठ १ पूरा गर्नुभएको छ भने, सुनिश्चित गर्नुहोस् कि cleaned_cuisines.csv नामक फाइल /data फोल्डरको मूल स्थानमा यी चार पाठहरूको लागि उपलब्ध छ।

अभ्यास - राष्ट्रिय खाना प्रकारको भविष्यवाणी गर्नुहोस्

1. यस पाठको notebook.ipynb फोल्डरमा काम गर्दै, उक्त फाइल र Pandas लाइब्रेरी आयात गर्नुहोस्:

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

   डेटा यसरी देखिन्छ:

	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. अब, केही थप लाइब्रेरीहरू आयात गर्नुहोस्:

   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. X र y निर्देशांकहरूलाई दुईवटा डेटा फ्रेममा विभाजन गर्नुहोस्। cuisine लेबलहरूको डेटा फ्रेम हुन सक्छ:

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

   यो यसरी देखिन्छ:

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

3. Unnamed: 0 स्तम्भ र cuisine स्तम्भलाई drop() प्रयोग गरेर हटाउनुहोस्। बाँकी डेटा प्रशिक्षणका लागि विशेषताहरूको रूपमा सुरक्षित गर्नुहोस्:

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

   तपाईंको विशेषताहरू यसरी देखिन्छ:

	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

अब तपाईं आफ्नो मोडेल प्रशिक्षण गर्न तयार हुनुहुन्छ!

आफ्नो वर्गीकरणकर्ता छनोट गर्नुहोस्

अब तपाईंको डेटा सफा र प्रशिक्षणका लागि तयार छ, तपाईंले कुन एल्गोरिदम प्रयोग गर्ने निर्णय गर्नुपर्छ।

Scikit-learn ले वर्गीकरणलाई Supervised Learning अन्तर्गत राख्छ, र यस श्रेणीमा तपाईंले वर्गीकरणका लागि धेरै विधिहरू पाउनुहुनेछ। विविधता सुरुमा अलमललाग्दो देखिन सक्छ। निम्न विधिहरूले वर्गीकरण प्रविधिहरू समावेश गर्छन्:

• रेखीय मोडेलहरू
• Support Vector Machines
• Stochastic Gradient Descent
• Nearest Neighbors
• Gaussian Processes
• निर्णय वृक्षहरू
• Ensemble विधिहरू (voting Classifier)
• बहु-वर्ग र बहु-आउटपुट एल्गोरिदमहरू (multiclass र multilabel वर्गीकरण, multiclass-multioutput वर्गीकरण)

तपाईं न्यूरल नेटवर्कहरू प्रयोग गरेर डेटा वर्गीकृत पनि गर्न सक्नुहुन्छ, तर यो पाठको दायराभन्दा बाहिर छ।

कुन वर्गीकरणकर्ता छनोट गर्ने?

त्यसोभए, कुन वर्गीकरणकर्ता छनोट गर्ने? प्रायः, धेरै विधिहरू चलाएर राम्रो नतिजा खोज्नु एउटा परीक्षण गर्ने तरिका हो। Scikit-learn ले साइड-बाई-साइड तुलना प्रदान गर्दछ, जसले KNeighbors, SVC दुई तरिकाहरू, GaussianProcessClassifier, DecisionTreeClassifier, RandomForestClassifier, MLPClassifier, AdaBoostClassifier, GaussianNB र QuadraticDiscriminationAnalysis लाई तुलना गरेर नतिजा देखाउँछ:

Scikit-learn को दस्तावेजमा उत्पन्न प्लटहरू

AutoML ले यो समस्या सजिलै समाधान गर्छ, यी तुलना क्लाउडमा चलाएर तपाईंलाई तपाईंको डेटा लागि सबैभन्दा उपयुक्त एल्गोरिदम छनोट गर्न अनुमति दिन्छ। यहाँ प्रयास गर्नुहोस्

राम्रो दृष्टिकोण

अनुमान लगाउनेभन्दा राम्रो तरिका भनेको यो डाउनलोड गर्न मिल्ने ML Cheat Sheet को विचारहरू अनुसरण गर्नु हो। यहाँ, हामी पत्ता लगाउँछौं कि हाम्रो बहु-वर्ग समस्याको लागि, हामीसँग केही विकल्पहरू छन्:

Microsoft को एल्गोरिदम चीटशीटको एक खण्ड, बहु-वर्ग वर्गीकरण विकल्पहरू विवरण गर्दै

✅ यो चीटशीट डाउनलोड गर्नुहोस्, प्रिन्ट गर्नुहोस्, र तपाईंको पर्खालमा टाँस्नुहोस्!

तर्क

हामीले भएका सीमाहरूलाई ध्यानमा राख्दै विभिन्न दृष्टिकोणहरूको तर्क गर्न प्रयास गरौं:

• न्यूरल नेटवर्कहरू धेरै भारी छन्। हाम्रो सफा, तर न्यूनतम डेटा सेटलाई ध्यानमा राख्दै, र हामीले स्थानीय रूपमा नोटबुकहरू मार्फत प्रशिक्षण चलाइरहेका छौं, न्यूरल नेटवर्कहरू यस कार्यका लागि धेरै भारी छन्।
• दुई-वर्ग वर्गीकरणकर्ता प्रयोग हुँदैन। हामी दुई-वर्ग वर्गीकरणकर्ता प्रयोग गर्दैनौं, त्यसैले one-vs-all लाई हटाइन्छ।
• निर्णय वृक्ष वा logistic regression काम गर्न सक्छ। निर्णय वृक्ष काम गर्न सक्छ, वा बहु-वर्ग डेटाका लागि logistic regression।
• बहु-वर्ग Boosted Decision Trees फरक समस्या समाधान गर्छ। बहु-वर्ग Boosted Decision Tree गैर-प्यारामेट्रिक कार्यहरूको लागि सबैभन्दा उपयुक्त छ, जस्तै रैंकिङ निर्माण गर्ने कार्यहरू, त्यसैले यो हाम्रो लागि उपयोगी छैन।

Scikit-learn प्रयोग गर्दै

हामी Scikit-learn प्रयोग गरेर हाम्रो डेटा विश्लेषण गर्नेछौं। यद्यपि, Scikit-learn मा logistic regression प्रयोग गर्ने धेरै तरिकाहरू छन्। पास गर्नुपर्ने प्यारामिटरहरू हेर्नुहोस्।

मुख्य रूपमा दुई महत्त्वपूर्ण प्यारामिटरहरू छन् - multi_class र solver - जुन हामीले निर्दिष्ट गर्नुपर्छ, जब हामी Scikit-learn लाई logistic regression प्रदर्शन गर्न सोध्छौं। multi_class मानले निश्चित व्यवहार लागू गर्छ। solver को मानले कुन एल्गोरिदम प्रयोग गर्ने हो भन्ने निर्धारण गर्छ। सबै solvers लाई सबै multi_class मानहरूसँग जोडी गर्न सकिँदैन।

दस्तावेज अनुसार, बहु-वर्ग अवस्थामा, प्रशिक्षण एल्गोरिदम:

• one-vs-rest (OvR) योजना प्रयोग गर्छ, यदि multi_class विकल्प ovr मा सेट गरिएको छ भने।
• cross-entropy loss प्रयोग गर्छ, यदि multi_class विकल्प multinomial मा सेट गरिएको छ भने। (हाल multinomial विकल्प केवल ‘lbfgs’, ‘sag’, ‘saga’ र ‘newton-cg’ solvers द्वारा समर्थित छ।)

🎓 यहाँ 'योजना' भनेको 'ovr' (one-vs-rest) वा 'multinomial' हुन सक्छ। किनभने logistic regression वास्तवमा द्विआधारित वर्गीकरणलाई समर्थन गर्न डिजाइन गरिएको हो, यी योजनाहरूले यसलाई बहु-वर्ग वर्गीकरण कार्यहरू राम्रोसँग ह्यान्डल गर्न अनुमति दिन्छ। स्रोत

🎓 'solver' लाई "अनुकूलन समस्यामा प्रयोग हुने एल्गोरिदम" भनेर परिभाषित गरिएको छ। स्रोत

Scikit-learn ले solvers ले विभिन्न प्रकारका डेटा संरचनाहरूले प्रस्तुत गर्ने चुनौतीहरू कसरी ह्यान्डल गर्छन् भन्ने व्याख्या गर्न यो तालिका प्रदान गर्दछ:

अभ्यास - डेटा विभाजन गर्नुहोस्

तपाईंले अघिल्लो पाठमा logistic regression को बारेमा सिक्नुभएकोले, हामी हाम्रो पहिलो प्रशिक्षण प्रयासको लागि यसमा ध्यान केन्द्रित गर्न सक्छौं। train_test_split() कल गरेर आफ्नो डेटा प्रशिक्षण र परीक्षण समूहहरूमा विभाजन गर्नुहोस्:

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

अभ्यास - logistic regression लागू गर्नुहोस्

तपाईं बहु-वर्ग अवस्थामा हुनुहुन्छ, त्यसैले कुन योजना प्रयोग गर्ने र कुन solver सेट गर्ने छनोट गर्न आवश्यक छ। LogisticRegression लाई multi_class सेट ovr र solver liblinear मा सेट गरेर प्रशिक्षण गर्नुहोस्।

1. multi_class लाई ovr र solver लाई liblinear मा सेट गरेर logistic regression बनाउनुहोस्:

   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))
   

   ✅ lbfgs जस्तो अर्को solver प्रयास गर्नुहोस्, जुन प्रायः डिफल्टको रूपमा सेट गरिन्छ।

नोट, आवश्यक परेमा आफ्नो डेटालाई समतल बनाउन Pandas ravel फङ्सन प्रयोग गर्नुहोस्। यो मोडेलको शुद्धता ८०% भन्दा बढी राम्रो छ!

1. तपाईंले एक पङ्क्ति (#५०) परीक्षण गरेर यो मोडेललाई काममा देख्न सक्नुहुन्छ:

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

   नतिजा प्रिन्ट हुन्छ:

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

   ✅ फरक पङ्क्ति नम्बर प्रयास गर्नुहोस् र नतिजा जाँच गर्नुहोस्।

2. अझ गहिरो रूपमा हेर्दा, तपाईं यस भविष्यवाणीको शुद्धता जाँच गर्न सक्नुहुन्छ:

   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()
   

   नतिजा प्रिन्ट हुन्छ - भारतीय खाना यसको सबैभन्दा राम्रो अनुमान हो, राम्रो सम्भावनासहित:

   	0
   indian	0.715851
   chinese	0.229475
   japanese	0.029763
   korean	0.017277
   thai	0.007634

   ✅ मोडेल किन यो भारतीय खाना हो भनेर निश्चित छ भन्ने व्याख्या गर्न सक्नुहुन्छ?

3. थप विवरण प्राप्त गर्न, तपाईंले वर्गीकरण रिपोर्ट प्रिन्ट गर्न सक्नुहुन्छ, जस्तै तपाईंले रिग्रेसन पाठहरूमा गरेको थियो:

   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

🚀चुनौती

यस पाठमा, तपाईंले आफ्नो सफा गरिएको डाटाको प्रयोग गरेर एउटा मेसिन लर्निङ मोडेल निर्माण गर्नुभयो जसले सामग्रीहरूको श्रृंखलाको आधारमा राष्ट्रिय खाना भविष्यवाणी गर्न सक्छ। Scikit-learn ले डाटा वर्गीकरण गर्न प्रदान गर्ने धेरै विकल्पहरू पढ्न समय लिनुहोस्। 'solver' को अवधारणामा गहिरो रूपमा जानुहोस् ताकि पर्दा पछाडि के हुन्छ भन्ने बुझ्न सक्नुहोस्।

पाठपछिको क्विज

समीक्षा र आत्म अध्ययन

लजिस्टिक रिग्रेसनको गणितमा यस पाठ मा थप गहिरो रूपमा जानुहोस्।

असाइनमेन्ट

सोल्भरहरू अध्ययन गर्नुहोस्

---

अस्वीकरण:
यो दस्तावेज़ AI अनुवाद सेवा Co-op Translator प्रयोग गरेर अनुवाद गरिएको छ। हामी शुद्धताको लागि प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादहरूमा त्रुटि वा अशुद्धता हुन सक्छ। यसको मूल भाषा मा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।