Pipeline řízeného učení
Designing Machine Learning Workflows in Python
Dr. Chris Anagnostopoulos
Honorary Associate Professor
Označená data
- Příznakové proměnné (zkratka:
X) - Štítky nebo třída (zkratka:
y)
credit_scoring.head(4)
checking_status duration ... foreign_worker class
0 '<0' 6 ... yes good
1 '0<=X<200' 48 ... yes bad
2 'no checking' 12 ... yes good
3 '<0' 42 ... yes good
Příprava příznaků
- Většina klasifikátorů vyžaduje číselné příznaky
- Řetězcové sloupce je třeba převést na čísla
Předzpracování pomocí LabelEncoder z sklearn.preprocessing:
le = LabelEncoder()
le.fit_transform(credit_scoring['checking_status'])[:4]
array([1, 0, 3, 1])
Trénování modelu
.fit(features, labels).predict(features)
features, labels = credit_scoring.drop('class', 1), credit_scoring['class']model_nb = GaussianNB() model_nb.fit(features, labels) model_nb.predict(features.head(5))
['good' 'bad' 'good' 'bad' 'good']
60% přesnost na prvních 5 příkladech.
Výběr modelu
.fit()optimalizuje parametry daného modelu- Co jiné modely?
AdaBoostClassifier překonává GaussianNB na prvních pěti datových bodech:
model_ab = AdaBoostClassifier()
model_ab.fit(features, labels)
model_ab.predict(features.head(5))
numpy.array(labels[0:5])
['good' 'bad' 'good' 'good' 'bad']
['good' 'bad' 'good' 'good' 'bad']
Hodnocení výkonnosti
Větší vzorky $\Rightarrow$ přesnější odhady přesnosti:
from sklearn.metrics import accuracy_score
accuracy_score(labels, model_nb.predict(features)) # naive bayes
0.706
accuracy_score(labels, model_ab.predict(features)) # adaboost
0.802
Co je na tomto výpočtu špatně?
Přeučení a rozdělení dat
Přeučení: model vždy dosahuje lepších výsledků na trénovacích datech než na nových datech.
Trénování na X_train, y_train, hodnocení přesnosti na X_test, y_test:
from sklearn.model_selection import train_test_split X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)GaussianNB().fit(X_train, y_train).predict(X_test)
O čem je tento kurz?
- Škálovatelné způsoby ladění pipeline.
- Zajištění relevance predikcí pomocí expertů z oboru.
- Zajištění dlouhodobé výkonnosti modelu.
- Trénování modelů při nedostatku štítků.
Mohli jste předejít hypoteční krizi?
Designing Machine Learning Workflows in Python
