Modelevaluatie en visualisatie
End-to-End Machine Learning
Joshua Stapleton
Machine Learning Engineer
Accuracy
- Juiste nauwkeurigheidsmetrics zijn cruciaal voor robuuste evaluatie
- Resultaten zijn makkelijk te misinterpreteren of te verdoezelen
Standaardaccuracy:
- Standaardaccuracy = aantal juiste antwoorden / aantal antwoorden
- Standaardaccuracy kan onbruikbaar zijn
Voorbeeld:
# achieves ~99% accuracy for imbalanced dataset of 99 positive and 1 negative
for patient_datapoint in heart_disease_dataset:
model.prediction(patient_datapoint) = 'positive'
Confusion matrix
True positives (TP)
- Modelvoorspelling = werkelijke klasse = positief
- Model voorspelde hartziekte, patiënt had hartziekte
False positives (FP)
- Modelvoorspelling = positief, werkelijke klasse = negatief
- Model voorspelde hartziekte, patiënt had geen hartziekte
False negatives (FN)
- Modelvoorspelling = negatief, werkelijke klasse = positief
- Model voorspelde geen hartziekte, patiënt had hartziekte
True negatives (TN)
- Modelvoorspelling = werkelijke klasse = negatief
- Model voorspelde geen hartziekte, patiënt had geen hartziekte
Balanced accuracy
- Betere metric dan ruwe accuracy voor de meeste binaire classificaties
- Geeft gewogen gemiddelde over beide klassen
- Balanced accuracy = (TP + TN) / 2
from sklearn.metrics import balanced_accuracy_score
# Assume y_test is the true labels and y_pred are the predicted labels
y_pred = model.predict(X_test)
bal_accuracy = balanced_accuracy_score(y_test, y_pred)
print(f"Balanced Accuracy: {bal_accuracy:.2f}")
Balanced Accuracy: 0.85
Gebruik van de confusion matrix
Cross-validatie
Cross-validatie
- Resamplingprocedure
- Maakt resultaten robuust
k-fold cross-validatie
- Parameter 'k' = aantal dataset-splits
- Nieuwe train/test-split bij elke run
Gebruik van cross-validatie
- Eenvoudige k-fold cross-validatie met sklearn
- Modelonafhankelijke scoring
Gebruik:
from sklearn.model_selection import cross_val_score, KFold # split the data into 10 equal parts kfold = KFold(n_splits=5, shuffle=True, random_state=42)# get the cross validation accuracy for a given model cv_results = cross_val_score(model, heart_disease_X, heart_disease_y, cv=kfold, scoring='balanced_accuracy')
Hyperparameter-tuning
Hyperparameter:
- Globale modelparameter (wijzigt niet tijdens training)
- Stel af om prestatie te verbeteren
# Hyperparameters to test
C_values = [0.001, 0.01, 0.1, 1, 10, 100, 1000]
# Manually iterate over the hyperparameters
for C in C_values:
model = LogisticRegression(max_iter=200, C=C)
model.fit(X_train, y_train)
accuracy = cross_val_score(model, X, y, cv=kfold, scoring='balanced_accuracy')
print(f"C = {C}: Bal Acc: {accuracy.mean():.4f} (+/- {accuracy.std():.4f})")
Voorbeeld hyperparameter-tuning
Voorbeeldoutput van hyperparameter-tuning:
C = 0.001: Bal Acc: 0.6200 (+/- 0.0215)
C = 0.01: Bal Acc: 0.7325 (+/- 0.0234)
C = 0.1: Bal Acc: 0.7923 (+/- 0.0202)
C = 1: Bal Acc: 0.8050 (+/- 0.0191)
C = 10: Bal Acc: 0.8034 (+/- 0.0185)
C = 100: Bal Acc: 0.8021 (+/- 0.0187)
C = 1000: Bal Acc: 0.8017 (+/- 0.0188)
Laten we oefenen!
End-to-End Machine Learning
