Ocena wielu modeli

Nadzorowane uczenie maszynowe z scikit-learn

George Boorman

Core Curriculum Manager, DataCamp

Różne modele do różnych problemów

Podstawowe wskazówki

Rozmiar zbioru danych
- Mniej cech = prostszy model, krótszy czas trenowania
- Niektóre modele wymagają dużych ilości danych
Interpretowalność
- Niektóre modele są łatwiejsze do wyjaśnienia – ważne dla interesariuszy
- Regresja liniowa jest wysoce interpretowalna dzięki współczynnikom
Elastyczność
- Może poprawiać dokładność, czyniąc mniej założeń o danych
- KNN jest bardziej elastyczny i nie zakłada zależności liniowych

Wszystko tkwi w metrykach

Metryki dla regresji:
- RMSE
- R-kwadrat
Metryki dla klasyfikacji:
- Dokładność
- Macierz pomyłek
- Precyzja, czułość, F1
- ROC AUC
Trenuj kilka modeli i porównuj ich wydajność

Uwaga o skalowaniu

Modele wrażliwe na skalowanie:
- KNN
- Regresja liniowa (w tym Ridge, Lasso)
- Regresja logistyczna
- Sztuczna sieć neuronowa

Zaleca się skalowanie danych przed oceną modeli

Ocena modeli klasyfikacji

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)

Ocena modeli klasyfikacji

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()

Wizualizacja wyników

Wykres pudełkowy dokładności dla każdego modelu: Regresja logistyczna, KNN i Drzewo decyzyjne

Wydajność na zbiorze testowym

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

Czas na ćwiczenia!

Nadzorowane uczenie maszynowe z scikit-learn