Învățare prin ansamblu

Machine Learning cu modele bazate pe arbori în Python

Elie Kawerk

Data Scientist

Avantajele CART-urilor

Ușor de înțeles.
Ușor de interpretat.
Simplu de utilizat.
Flexibilitate: poate descrie dependențe neliniare.
Preprocesare: nu este necesară standardizarea sau normalizarea.

Limitările CART-urilor

Clasificare: produce doar limite de decizie ortogonale.
Sensibile la variații mici în setul de antrenament.
Varianță ridicată: CART-urile nerestricționate pot supraapropia.
Soluție: învățare prin ansamblu.

Învățare prin ansamblu

Antrenați modele diferite pe același set de date.
Fiecare model face predicții proprii.
Meta-model: agregă predicțiile modelelor individuale.
Predicție finală: mai robustă și mai puțin predispusă la erori.
Rezultate optime: modele performante în moduri diferite.

Învățare prin ansamblu: explicație vizuală

vizualizare ansamblu

Învățare prin ansamblu în practică: clasificator prin vot

Sarcină de clasificare binară.
$N$ clasificatori fac predicții: $P_1$, $P_2$, ..., $P_N$ cu $P_i$ = 0 sau 1.
Predicția meta-modelului: vot dur.

Vot dur

vot dur

VotingClassifier în sklearn (setul de date Breast-Cancer)

# Import functions to compute accuracy and split data
from sklearn.metrics import accuracy_score
from sklearn.model_selection import train_test_split

# Import models, including VotingClassifier meta-model
from sklearn.linear_model import LogisticRegression
from sklearn.tree import DecisionTreeClassifier
from sklearn.neighbors import KNeighborsClassifier as KNN
from sklearn.ensemble import VotingClassifier

# Set seed for reproducibility
SEED = 1

VotingClassifier în sklearn (setul de date Breast-Cancer)

# Split data into 70% train and 30% test
X_train, X_test, y_train, y_test = train_test_split(X, y,
                                                    test_size= 0.3,
                                                    random_state= SEED)
# Instantiate individual classifiers
lr = LogisticRegression(random_state=SEED)
knn = KNN()
dt = DecisionTreeClassifier(random_state=SEED)

# Define a list called classifier that contains the tuples (classifier_name, classifier)
classifiers = [('Logistic Regression', lr), 
               ('K Nearest Neighbours', knn),
               ('Classification Tree', dt)]

# Iterate over the defined list of tuples containing the classifiers
for clf_name, clf in classifiers:
    #fit clf to the training set
    clf.fit(X_train, y_train)

    # Predict the labels of the test set
    y_pred = clf.predict(X_test)

    # Evaluate the accuracy of clf on the test set
    print('{:s} : {:.3f}'.format(clf_name, accuracy_score(y_test, y_pred)))

Logistic Regression: 0.947
K Nearest Neighbours: 0.930
Classification Tree: 0.930

VotingClassifier în sklearn (setul de date Breast-Cancer)

# Instantiate a VotingClassifier 'vc'
vc = VotingClassifier(estimators=classifiers) 

# Fit 'vc' to the traing set and predict test set labels
vc.fit(X_train, y_train)   
y_pred = vc.predict(X_test)

# Evaluate the test-set accuracy of 'vc'
print('Voting Classifier: {.3f}'.format(accuracy_score(y_test, y_pred)))

Voting Classifier: 0.953

Să exersăm!

Machine Learning cu modele bazate pe arbori în Python