Ensembleinlärning

Maskininlärning med trädbaserade modeller i Python

Elie Kawerk

Data Scientist

Fördelar med CART:er

Enkel att förstå.
Enkel att tolka.
Lätt att använda.
Flexibilitet: kan beskriva icke-linjära beroenden.
Förbehandling: ingen standardisering eller normalisering av särdrag krävs, ...

Begränsningar hos CART:er

Klassificering: kan bara producera ortogonala beslutsgränser.
Känsliga för små variationer i träningsdata.
Hög varians: obegränsade CART:er kan överanpassa träningsdata.
Lösning: ensembleinlärning.

Ensembleinlärning

Träna olika modeller på samma datamängd.
Låt varje modell göra sina prediktioner.
Metamodell: aggregerar individuella modellers prediktioner.
Slutlig prediktion: mer robust och mindre felbenägen.
Bäst resultat: modeller är skickliga på olika sätt.

Ensembleinlärning: en visuell förklaring

ensemble-visual

Ensembleinlärning i praktiken: röstningsklassificerare

Binär klassificeringsuppgift.
$N$ klassificerare gör prediktioner: $P_1$, $P_2$, ..., $P_N$ där $P_i$ = 0 eller 1.
Metamodellprediktion: majoritetsröstning.

Majoritetsröstning

hard-voting

Röstningsklassificerare i sklearn (bröstcancerdatamängd)

# 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

Röstningsklassificerare i sklearn (bröstcancerdatamängd)

# 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

Röstningsklassificerare i sklearn (bröstcancerdatamängd)

# 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

Nu kör vi en övning!

Maskininlärning med trädbaserade modeller i Python