Potoki uczenia nadzorowanego
Projektowanie przepływów pracy uczenia maszynowego w Pythonie
Dr. Chris Anagnostopoulos
Honorary Associate Professor
Dane z etykietami
- Zmienne cech (skrót:
X) - Etykiety lub klasa (skrót:
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
Inżynieria cech
- Większość klasyfikatorów wymaga cech numerycznych
- Kolumny tekstowe należy przekonwertować na liczby
Przetwarzanie wstępne za pomocą LabelEncoder z sklearn.preprocessing:
le = LabelEncoder()
le.fit_transform(credit_scoring['checking_status'])[:4]
array([1, 0, 3, 1])
Dopasowywanie 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% dokładności na pierwszych 5 przykładach.
Selekcja modelu
.fit()optymalizuje parametry danego modelu- A co z innymi modelami?
AdaBoostClassifier wyprzedza GaussianNB na pierwszych pięciu punktach danych:
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']
Ocena wydajności
Większy rozmiar próby $\Rightarrow$ dokładniejsze oszacowania:
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 jest błędne w tym obliczeniu?
Przeuczenie i podział danych
Przeuczenie: model zawsze osiąga lepsze wyniki na danych treningowych niż na nowych danych.
Trenowanie na X_train, y_train, ocena dokładności 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)
Czego dotyczy ten kurs?
- Skalowalne metody dostrajania potoku.
- Zapewnienie trafności prognoz przy udziale ekspertów dziedzinowych.
- Utrzymanie wysokiej wydajności modelu w czasie.
- Dopasowywanie modeli przy niewystarczającej liczbie etykiet.
Czy można było zapobiec kryzysowi hipotecznemu?
Projektowanie przepływów pracy uczenia maszynowego w Pythonie
