Vyhodnocení více modelů

Supervised Learning with scikit-learn

George Boorman

Core Curriculum Manager, DataCamp

Různé modely pro různé problémy

Základní zásady

Velikost datové sady
- Méně příznaků = jednodušší model, rychlejší trénink
- Některé modely potřebují velké množství dat
Interpretovatelnost
- Některé modely jsou snáze vysvětlitelné – důležité pro stakeholdery
- Lineární regrese má vysokou interpretovatelnost díky koeficientům
Flexibilita
- Může zvýšit přesnost díky menšímu počtu předpokladů o datech
- KNN je flexibilnější model, nepředpokládá lineární vztahy

Vše závisí na metrikách

Výkon regresního modelu:
- RMSE
- R-squared
Výkon klasifikačního modelu:
- Přesnost
- Matice záměn
- Preciznost, úplnost, F1-skóre
- ROC AUC
Natrénujte více modelů a porovnejte výkon

Poznámka ke škálování

Modely citlivé na škálování:
- KNN
- Lineární regrese (včetně Ridge, Lasso)
- Logistická regrese
- Umělá neuronová síť

Před vyhodnocením modelů je vhodné data škálovat

Vyhodnocení klasifikačních modelů

import matplotlib.pyplot as plt
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import cross_val_score, KFold, train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.linear_model import LogisticRegression
from sklearn.tree import DecisionTreeClassifier

X = music.drop("genre", axis=1).values
y = music["genre"].values
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=42)

scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)

X_test_scaled = scaler.transform(X_test)

Vyhodnocení klasifikačních modelů

models = {"Logistic Regression": LogisticRegression(), "KNN": KNeighborsClassifier(), 
         "Decision Tree": DecisionTreeClassifier()}
results = []

for model in models.values():

     kf = KFold(n_splits=6, random_state=42, shuffle=True)

     cv_results = cross_val_score(model, X_train_scaled, y_train, cv=kf)

     results.append(cv_results)

plt.boxplot(results, labels=models.keys())
plt.show()

Vizualizace výsledků

Krabicový graf přesnosti pro každý model: logistická regrese, KNN a rozhodovací strom

Výkon na testovací sadě

for name, model in models.items():

  model.fit(X_train_scaled, y_train)

  test_score = model.score(X_test_scaled, y_test)

  print("{} Test Set Accuracy: {}".format(name, test_score))

Logistic Regression Test Set Accuracy: 0.844
KNN Test Set Accuracy: 0.82
Decision Tree Test Set Accuracy: 0.832

Pojďme si procvičit!

Supervised Learning with scikit-learn