README.md

Cuisine classifiers 1

I denne lektion vil du bruge datasættet, du gemte fra sidste lektion, fyldt med balancerede, rene data om køkkener.

Du vil bruge dette datasæt med en række klassifikatorer til at forudsige en given national køkken baseret på en gruppe ingredienser. Mens du gør det, vil du lære mere om nogle af de måder, algoritmer kan udnyttes til klassifikationsopgaver.

Pre-lecture quiz

Forberedelse

Forudsat at du har gennemført Lektion 1, skal du sikre dig, at en cleaned_cuisines.csv-fil findes i den øverste /data-mappe til disse fire lektioner.

Øvelse - forudsige et nationalt køkken

1. Arbejd i denne lektions notebook.ipynb mappe, importer den fil sammen med Pandas-biblioteket:

   import pandas as pd
   cuisines_df = pd.read_csv("../data/cleaned_cuisines.csv")
   cuisines_df.head()

   Dataene ser sådan ud:

	Unnamed: 0	cuisine	almond	angelica	anise	anise_seed	apple	apple_brandy	apricot	armagnac	...	whiskey	white_bread	white_wine	whole_grain_wheat_flour	wine	wood	yam	yeast	yogurt	zucchini
0	0	indian	0	0	0	0	0	0	0	0	...	0	0	0	0	0	0	0	0	0	0
1	1	indian	1	0	0	0	0	0	0	0	...	0	0	0	0	0	0	0	0	0	0
2	2	indian	0	0	0	0	0	0	0	0	...	0	0	0	0	0	0	0	0	0	0
3	3	indian	0	0	0	0	0	0	0	0	...	0	0	0	0	0	0	0	0	0	0
4	4	indian	0	0	0	0	0	0	0	0	...	0	0	0	0	0	0	0	0	1	0

1. Importer nu flere biblioteker:

   from sklearn.linear_model import LogisticRegression
   from sklearn.model_selection import train_test_split, cross_val_score
   from sklearn.metrics import accuracy_score,precision_score,confusion_matrix,classification_report, precision_recall_curve
   from sklearn.svm import SVC
   import numpy as np

2. Del X og y koordinaterne i to dataframes til træning. cuisine kan være labels dataframe:

   cuisines_label_df = cuisines_df['cuisine']
   cuisines_label_df.head()

   Det vil se sådan ud:

   0    indian
   1    indian
   2    indian
   3    indian
   4    indian
   Name: cuisine, dtype: object
   

3. Drop den Unnamed: 0 kolonne og cuisine kolonnen ved at kalde drop(). Gem resten af dataene som trænbar features:

   cuisines_feature_df = cuisines_df.drop(['Unnamed: 0', 'cuisine'], axis=1)
   cuisines_feature_df.head()

   Dine features ser sådan ud:

	almond	angelica	anise	anise_seed	apple	apple_brandy	apricot	armagnac	artemisia	artichoke	...	whiskey	white_bread	white_wine	whole_grain_wheat_flour	wine	wood	yam	yeast	yogurt	zucchini
0	0	0	0	0	0	0	0	0	0	0	...	0	0	0	0	0	0	0	0	0	0
1	1	0	0	0	0	0	0	0	0	0	...	0	0	0	0	0	0	0	0	0	0
2	0	0	0	0	0	0	0	0	0	0	...	0	0	0	0	0	0	0	0	0	0
3	0	0	0	0	0	0	0	0	0	0	...	0	0	0	0	0	0	0	0	0	0
4	0	0	0	0	0	0	0	0	0	0	...	0	0	0	0	0	0	0	0	1	0

Nu er du klar til at træne din model!

Valg af klassifikator

Nu hvor dine data er rene og klar til træning, skal du beslutte, hvilken algoritme der skal bruges til opgaven.

Scikit-learn grupperer klassifikation under Superviseret læring, og i den kategori finder du mange måder at klassificere på. Variationerne kan virke overvældende ved første øjekast. Følgende metoder indeholder alle klassifikationsteknikker:

• Lineære modeller
• Support Vector Machines
• Stochastic Gradient Descent
• Nærmeste naboer
• Gaussiske processer
• Beslutningstræer
• Ensemblemetoder (votingsklassifikator)
• Multiklasse- og multioutput-algoritmer (multiklasse- og multilabel-klassifikation, multiklasse-multioutput-klassifikation)

Du kan også bruge neurale netværk til at klassificere data, men det er uden for omfanget af denne lektion.

Hvilken klassifikator skal man vælge?

Så, hvilken klassifikator skal du vælge? Det er ofte en god idé at prøve flere og se efter et godt resultat som test. Scikit-learn tilbyder en side-om-side sammenligning på et oprettet datasæt, der sammenligner KNeighbors, SVC på to måder, GaussianProcessClassifier, DecisionTreeClassifier, RandomForestClassifier, MLPClassifier, AdaBoostClassifier, GaussianNB og QuadraticDiscrinationAnalysis, med visualiserede resultater:

Diagrammer genereret i Scikit-learns dokumentation

AutoML løser dette problem flot ved at køre disse sammenligninger i skyen, så du kan vælge den bedste algoritme til dine data. Prøv det her

En bedre tilgang

En bedre måde end at gætte vildt er at følge ideerne i dette downloadbare ML Cheat sheet. Her opdager vi, at for vores multiklasse-problem har vi nogle valg:

Et uddrag af Microsofts Algorithm Cheat Sheet, der detaljerer multiklasseklassifikationsmuligheder

✅ Download dette cheat sheet, print det ud, og hæng det op på din væg!

Begrundelse

Lad os se, om vi kan begrunde forskellige tilgange ud fra de begrænsninger, vi har:

• Neurale netværk er for tunge. Givet vores rene, men minimale datasæt, og at vi kører træning lokalt via notebooks, er neurale netværk for tunge til denne opgave.
• Ingen to-klasse klassifikator. Vi bruger ikke en to-klasse klassifikator, så det udelukker one-vs-all.
• Beslutningstræ eller logistisk regression kunne fungere. Et beslutningstræ kunne fungere, eller logistisk regression til multiklasse data.
• Multiklasse Boosted Decision Trees løser et andet problem. Det multiklasse boosted decision tree er mest egnet til ikke-parametriske opgaver, fx opgaver designet til at bygge ranglister, så det er ikke nyttigt for os.

Brug af Scikit-learn

Vi vil bruge Scikit-learn til at analysere vores data. Der er dog mange måder at bruge logistisk regression i Scikit-learn på. Tag et kig på parametrene, der kan gives.

Grundlæggende er der to vigtige parametre - multi_class og solver - som vi skal specificere, når vi beder Scikit-learn om at udføre logistisk regression. multi_class-værdien angiver en bestemt opførsel. Værdien af solver er, hvilken algoritme der skal bruges. Ikke alle solvere kan kombineres med alle multi_class værdier.

Ifølge dokumentationen bruger træningsalgoritmen i multiklasse tilfælde:

• Bruger one-vs-rest (OvR) skemaet, hvis multi_class-optionen sættes til ovr
• Bruger kryds-entropi-tab, hvis multi_class-optionen sættes til multinomial. (I øjeblikket understøtter multinomial kun ‘lbfgs’, ‘sag’, ‘saga’ og ‘newton-cg’ solvere.)"

🎓 ‘Skemaet’ her kan enten være ‘ovr’ (one-vs-rest) eller ‘multinomial’. Da logistisk regression er designet til binær klassifikation, tillader disse skemaer den at håndtere multiklasse klassifikationsopgaver bedre. kilde

🎓 ‘Solver’ defineres som "algoritmen til brug i optimeringsproblemet". kilde.

Scikit-learn tilbyder denne tabel for at forklare, hvordan solvere håndterer forskellige udfordringer præsenteret af forskellige datatyper:

Øvelse - del dataene

Vi kan fokusere på logistisk regression til vores første træningsforsøg, da du for nylig lærte om denne i en tidligere lektion. Del dine data op i trænings- og testgrupper ved at kalde train_test_split():

X_train, X_test, y_train, y_test = train_test_split(cuisines_feature_df, cuisines_label_df, test_size=0.3)

Øvelse - anvend logistisk regression

Da du bruger multiklasse-tilfældet, skal du vælge hvilket skema der skal bruges, og hvilken solver der skal sættes. Brug LogisticRegression med en multiklasse-indstilling og liblinear solver til træning.

1. Opret en logistisk regression med multi_class sat til ovr og solver sat til liblinear:

   lr = LogisticRegression(multi_class='ovr',solver='liblinear')
   model = lr.fit(X_train, np.ravel(y_train))
   
   accuracy = model.score(X_test, y_test)
   print ("Accuracy is {}".format(accuracy))

   ✅ Prøv en anden solver som lbfgs, som ofte sættes som standard

   Bemærk, brug Pandas ravel funktion til at flade dine data ud, når det er nødvendigt.

   Præcisionen er god med over 80%!

2. Du kan se denne model i aktion ved at teste en række data (#50):

   print(f'ingredients: {X_test.iloc[50][X_test.iloc[50]!=0].keys()}')
   print(f'cuisine: {y_test.iloc[50]}')

   Resultatet printes:

   ingredients: Index(['cilantro', 'onion', 'pea', 'potato', 'tomato', 'vegetable_oil'], dtype='object')
   cuisine: indian
   

   ✅ Prøv et andet rækkenummer og tjek resultaterne

3. Hvis du graver dybere, kan du tjekke nøjagtigheden af denne forudsigelse:

   test= X_test.iloc[50].values.reshape(-1, 1).T
   proba = model.predict_proba(test)
   classes = model.classes_
   resultdf = pd.DataFrame(data=proba, columns=classes)
   
   topPrediction = resultdf.T.sort_values(by=[0], ascending = [False])
   topPrediction.head()

   Resultatet bliver printet - Indisk køkken er det bedste bud, med god sandsynlighed:

   	0
   indian	0.715851
   chinese	0.229475
   japanese	0.029763
   korean	0.017277
   thai	0.007634

   ✅ Kan du forklare, hvorfor modellen er ret sikker på, at dette er indisk køkken?

4. Få flere detaljer ved at printe en klassifikationsrapport, som du gjorde i regressionslektionerne:

   y_pred = model.predict(X_test)
   print(classification_report(y_test,y_pred))

   	precision	recall	f1-score	support
   chinese	0.73	0.71	0.72	229
   indian	0.91	0.93	0.92	254
   japanese	0.70	0.75	0.72	220
   korean	0.86	0.76	0.81	242
   thai	0.79	0.85	0.82	254
   accuracy			0.80	1199
   macro avg	0.80	0.80	0.80	1199
   weighted avg	0.80	0.80	0.80	1199

🚀Udfordring

I denne lektion brugte du dine rensede data til at bygge en maskinlæringsmodel, der kan forudsige en national ret baseret på en række ingredienser. Tag dig tid til at læse igennem de mange muligheder, Scikit-learn tilbyder til klassificering af data. Undersøg nærmere konceptet ’solver’ for at forstå, hvad der sker bag kulisserne.

Quiz efter lektionen

Gennemgang & Selvstudie

Grav lidt dybere i matematikken bag logistisk regression i denne lektion

Opgave

Studér solverne

---

Ansvarsfraskrivelse:
Dette dokument er blevet oversat ved hjælp af AI-oversættelsestjenesten Co-op Translator. Mens vi stræber efter nøjagtighed, bedes du være opmærksom på, at automatiserede oversættelser kan indeholde fejl eller unøjagtigheder. Det oprindelige dokument på dets modersmål bør betragtes som den autoritative kilde. For kritisk information anbefales professionel menneskelig oversættelse. Vi påtager os intet ansvar for misforståelser eller fejltolkninger som følge af brugen af denne oversættelse.