Evaluarea mai multor modele

Învățare supravegheată cu scikit-learn

George Boorman

Core Curriculum Manager, DataCamp

Modele diferite pentru probleme diferite

Principii orientative

Dimensiunea setului de date
- Mai puține caracteristici = model mai simplu, antrenare mai rapidă
- Unele modele necesită volume mari de date pentru performanță bună
Interpretabilitate
- Unele modele sunt mai ușor de explicat, important pentru părțile interesate
- Regresia liniară are interpretabilitate ridicată, datorită coeficienților
Flexibilitate
- Poate îmbunătăți acuratețea prin mai puține ipoteze despre date
- KNN este un model mai flexibil, fără ipoteze de liniaritate

Totul ține de metrici

Performanța modelelor de regresie:
- RMSE
- R-squared
Performanța modelelor de clasificare:
- Acuratețe
- Matrice de confuzie
- Precizie, recall, F1-score
- ROC AUC
Antrenați mai multe modele și evaluați performanța din start

O notă despre scalare

Modele afectate de scalare:
- KNN
- Regresie Liniară (inclusiv Ridge, Lasso)
- Regresie Logistică
- Rețea Neuronală Artificială

Este recomandat să scalați datele înainte de evaluarea modelelor

Evaluarea modelelor de clasificare

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)

Evaluarea modelelor de clasificare

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()

Vizualizarea rezultatelor

Diagramă box a acurateței pentru fiecare model: Regresie Logistică, KNN și Arbore de Decizie

Performanța pe setul de test

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

Să exersăm!

Învățare supravegheată cu scikit-learn