Utvärdera flera modeller

Övervakad inlärning med scikit-learn

George Boorman

Core Curriculum Manager, DataCamp

Olika modeller för olika problem

Några vägledande principer

Datamängdens storlek
- Färre särdrag = enklare modell, kortare träningstid
- Vissa modeller kräver stora datamängder för att prestera bra
Tolkbarhet
- Vissa modeller är lättare att förklara, vilket kan vara viktigt för intressenter
- Linjär regression har hög tolkbarhet – vi kan förstå koefficienterna
Flexibilitet
- Kan förbättra noggrannheten genom att göra färre antaganden om data
- KNN är en mer flexibel modell och antar inga linjära samband

Det handlar om måtten

Prestanda för regressionsmodeller:
- RMSE
- R-squared
Prestanda för klassificeringsmodeller:
- Accuracy
- Confusion matrix
- Precision, recall, F1-score
- ROC AUC
Träna flera modeller och utvärdera prestandan direkt

Om skalning

Modeller som påverkas av skalning:
- KNN
- Linjär regression (samt Ridge, Lasso)
- Logistisk regression
- Artificiellt neuralt nätverk

Bäst att skala data innan modellerna utvärderas

Utvärdera klassificeringsmodeller

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)

Utvärdera klassificeringsmodeller

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()

Visualisera resultaten

Lådagram över noggrannhet för varje modell: Logistic Regression, KNN och Decision Tree

Prestanda på testmängden

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

Nu kör vi en övning!

Övervakad inlärning med scikit-learn