Modellutvärdering och visualisering
End-to-End Machine Learning
Joshua Stapleton
Machine Learning Engineer
Noggrannhet
- Korrekta noggrannhetsmått är avgörande för robust modellutvärdering
- Lätt att feltolka eller dölja resultat
Standardnoggrannhet:
- Standardnoggrannhet = antal rätta svar / antal svar
- Standardnoggrannhet kan vara missvisande
Exempel:
# achieves ~99% accuracy for imbalanced dataset of 99 positive and 1 negative
for patient_datapoint in heart_disease_dataset:
model.prediction(patient_datapoint) = 'positive'
Förvirringsmatris
Sanna positiva (TP)
- Modellens prediktion = faktisk klass = positiv
- Modellen förutsåg hjärtsjukdom, patienten hade hjärtsjukdom
Falska positiva (FP)
- Modellens prediktion = positiv, faktisk klass = negativ
- Modellen förutsåg hjärtsjukdom, patienten hade ingen hjärtsjukdom
Falska negativa (FN)
- Modellens prediktion = negativ, faktisk klass = positiv
- Modellen förutsåg ingen hjärtsjukdom, patienten hade hjärtsjukdom
Sanna negativa (TN)
- Modellens prediktion = faktisk klass = negativ
- Modellen förutsåg ingen hjärtsjukdom, patienten hade ingen hjärtsjukdom
Balanserad noggrannhet
- Bättre mått än enkel noggrannhet för de flesta binära klassificeringsmodeller
- Ger ett viktat genomsnitt över båda klasserna
- Balanserad noggrannhet = (TP + TN) / 2
from sklearn.metrics import balanced_accuracy_score
# Assume y_test is the true labels and y_pred are the predicted labels
y_pred = model.predict(X_test)
bal_accuracy = balanced_accuracy_score(y_test, y_pred)
print(f"Balanced Accuracy: {bal_accuracy:.2f}")
Balanced Accuracy: 0.85
Användning av förvirringsmatris
Korsvalidering
Korsvalidering
- Omsamplingsmetod
- Säkerställer robusta resultat
k-faldig korsvalidering
- Parametern 'k' = antal uppdelningar av datamängden
- Ny tränings-/testuppdelning görs för varje modellkörning
Användning av korsvalidering
- Enkel implementering av k-faldig korsvalidering med sklearn
- Modellokänslig poängsättning
Användning:
from sklearn.model_selection import cross_val_score, KFold # split the data into 10 equal parts kfold = KFold(n_splits=5, shuffle=True, random_state=42)# get the cross validation accuracy for a given model cv_results = cross_val_score(model, heart_disease_X, heart_disease_y, cv=kfold, scoring='balanced_accuracy')
Hyperparameterjustering
Hyperparameter:
- Global modellparameter (ändras inte under träning)
- Justera för att förbättra modellens prestanda
# Hyperparameters to test
C_values = [0.001, 0.01, 0.1, 1, 10, 100, 1000]
# Manually iterate over the hyperparameters
for C in C_values:
model = LogisticRegression(max_iter=200, C=C)
model.fit(X_train, y_train)
accuracy = cross_val_score(model, X, y, cv=kfold, scoring='balanced_accuracy')
print(f"C = {C}: Bal Acc: {accuracy.mean():.4f} (+/- {accuracy.std():.4f})")
Exempel på hyperparameterjustering
Exempelutdata för hyperparameterjustering:
C = 0.001: Bal Acc: 0.6200 (+/- 0.0215)
C = 0.01: Bal Acc: 0.7325 (+/- 0.0234)
C = 0.1: Bal Acc: 0.7923 (+/- 0.0202)
C = 1: Bal Acc: 0.8050 (+/- 0.0191)
C = 10: Bal Acc: 0.8034 (+/- 0.0185)
C = 100: Bal Acc: 0.8021 (+/- 0.0187)
C = 1000: Bal Acc: 0.8017 (+/- 0.0188)
Nu kör vi en övning!
End-to-End Machine Learning
