Évaluer plusieurs modèles

Apprentissage supervisé avec scikit-learn

George Boorman

Core Curriculum Manager, DataCamp

Des modèles adaptés aux problèmes

Quelques principes directeurs

Taille de l'ensemble de données
- Moins d'attributs = modèle plus simple, entraînement plus rapide
- Certains modèles exigent beaucoup de données pour bien performer
Interprétabilité
- Certains modèles s'expliquent plus facilement, utile pour les parties prenantes
- La régression linéaire est très interprétable : on comprend les coefficients
Souplesse
- Peut améliorer la précision en supposant moins de choses sur les données
- KNN est plus souple : n'assume aucune relation linéaire

Tout est dans les mesures

Performance en régression :
- RMSE
- R-carré
Performance en classification :
- Exactitude
- Matrice de confusion
- Précision, rappel, F1
- ROC AUC
Entraîner plusieurs modèles et évaluer la performance telle quelle

Note sur la mise à l'échelle

Modèles sensibles à la mise à l'échelle :
- KNN
- Régression linéaire (ainsi que Ridge, Lasso)
- Régression logistique
- Artificial Neural Network

Mieux vaut mettre les données à l'échelle avant d'évaluer les modèles

Évaluer des modèles de classification

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)

Évaluer des modèles de classification

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()

Visualiser les résultats

Boîtes à moustaches de l'exactitude pour chaque modèle : Logistic Regression, KNN et Decision Tree

Performance sur l'ensemble 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

Passons à la pratique !

Apprentissage supervisé avec scikit-learn