README.md

Cuisine classifiers 1

I den här lektionen kommer du att använda den dataset du sparade från föregående lektion, full av balanserad, ren data om olika kök.

Du kommer att använda detta dataset med en rad olika klassificerare för att förutsäga ett givet nationellt kök baserat på en grupp ingredienser. Samtidigt kommer du att lära dig mer om några av de sätt som algoritmer kan användas för klassificeringsuppgifter.

Förföreläsningsquiz

Förberedelse

Om du har genomfört Lektion 1, se till att en fil som heter cleaned_cuisines.csv finns i rotmappen /data för dessa fyra lektioner.

Övning - förutsäg ett nationellt kök

1. Arbeta i den här lektionens notebook.ipynb-mapp, importera den filen tillsammans med Pandas-biblioteket:

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

   Datat ser ut så här:

	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. Importera nu flera andra bibliotek:

   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. Dela upp X och y i två dataframes för träning. cuisine kan vara label-dataframen:

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

   Det kommer att se ut så här:

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

3. Droppa kolumnen Unnamed: 0 och kolumnen cuisine genom att anropa drop(). Spara resten av datat som träningsbara funktioner:

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

   Dina funktioner ser ut så här:

	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 är du redo att träna din modell!

Välj din klassificerare

Nu när ditt data är rent och redo för träning måste du bestämma dig för vilken algoritm du ska använda.

Scikit-learn grupperar klassificering under övervakad inlärning (Supervised Learning), och i den kategorin finns många sätt att klassificera. Variationen kan vara ganska överväldigande vid första anblicken. Följande metoder inkluderar alla klassificeringstekniker:

• Linjära modeller
• Support Vector Machines
• Stokastisk gradientnedstigning
• Närmaste grannar (Nearest Neighbors)
• Gaussiska processer
• Beslutsträd
• Ensembelmetoder (votering Klassificerare)
• Multiklass- och multioutput-algoritmer (multiklass- och multilabel-klassificering, multiklass-multioutput-klassificering)

Du kan också använda neurala nätverk för att klassificera data, men det ligger utanför denna lektions omfattning.

Vilken klassificerare ska du välja?

Så, vilken klassificerare ska du välja? Ofta är det ett sätt att testa att köra flera och leta efter ett bra resultat. Scikit-learn erbjuder en jämförelse sida vid sida på ett skapat dataset, som jämför KNeighbors, SVC på två sätt, GaussianProcessClassifier, DecisionTreeClassifier, RandomForestClassifier, MLPClassifier, AdaBoostClassifier, GaussianNB och QuadraticDiscrinationAnalysis, och visar resultaten visuellt:

Diagram skapade från Scikit-learns dokumentation

AutoML löser detta problem snyggt genom att köra dessa jämförelser i molnet, så att du kan välja den bästa algoritmen för dina data. Prova det här

Ett bättre tillvägagångssätt

Ett bättre sätt än att gissa vilt är dock att följa idéerna i detta nedladdningsbara ML Cheat Sheet. Här upptäcker vi att för vårt multiclass-problem har vi några val:

En sektion från Microsofts Algorithm Cheat Sheet, som visar alternativ för multiklassklassificering

✅ Ladda ned detta cheatsheet, skriv ut det och häng upp det på väggen!

Resonemang

Låt oss se om vi kan resonera oss fram till olika tillvägagångssätt givet de begränsningar vi har:

• Neurala nätverk är för tunga. Med vårt rena men minimala dataset, och det faktum att vi kör träningen lokalt via notebooks, är neurala nätverk för resurskrävande för denna uppgift.
• Ingen två-klass klassificerare. Vi använder inte en två-klass klassificerare, så det utesluter one-vs-all.
• Beslutsträd eller logistisk regression kan fungera. Ett beslutsträd kan fungera, eller logistisk regression för multiklassdata.
• Multiklass Boosted Decision Trees löser ett annat problem. Det multiklass-boostrade beslutsträdet passar bäst för icke-parametriska uppgifter, t.ex. uppgifter som är utformade för att bygga rankingar, så det är inte användbart för oss.

Använda Scikit-learn

Vi kommer att använda Scikit-learn för att analysera våra data. Det finns dock många sätt att använda logistisk regression i Scikit-learn. Ta en titt på parametrarna att skicka med.

I grunden finns två viktiga parametrar - multi_class och solver - som vi behöver ange när vi ber Scikit-learn att utföra logistisk regression. Värdet på multi_class styr ett visst beteende. Värdet på solver är vilken algoritm som ska användas. Inte alla solver kan paras ihop med alla multi_class-värden.

Enligt dokumentationen gäller för multiklassfallet:

• Använder one-vs-rest (OvR)-schemat, om multi_class-inställningen är satt till ovr.
• Använder korsentropiförlusten, om multi_class-inställningen är satt till multinomial. (För närvarande stöds multinomial endast av solver-algoritmerna ‘lbfgs’, ‘sag’, ‘saga’ och ‘newton-cg’.)"

🎓 'schemat' här kan vara 'ovr' (one-vs-rest) eller 'multinomial'. Eftersom logistisk regression egentligen är designad för binär klassificering, tillåter dessa scheman att den bättre hanterar multiclass-klassificeringsuppgifter. källa

🎓 'solver' definieras som "algoritmen som ska användas i optimeringsproblemet". källa.

Scikit-learn visar denna tabell för att förklara hur solvers hanterar olika utmaningar som presenteras av olika typer av datastrukturer:

Övning - dela upp datat

Vi kan fokusera på logistisk regression för vårt första träningsförsök eftersom du nyligen lärde dig om detta i en tidigare lektion. Dela upp dina data i tränings- och testgrupper genom att anropa train_test_split():

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

Övning - tillämpa logistisk regression

Eftersom du använder multiklassfallet behöver du välja vilket schema du ska använda och vilken solver du ska sätta. Använd LogisticRegression med en multiklassinställning och liblinear solver för träning.

1. Skapa en logistisk regression med multi_class satt till ovr och solver satt till 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))

   ✅ Prova en annan solver som lbfgs, som ofta är standard

   Observera att använda Pandas ravel funktion för att platta till din data vid behov.

   Noggrannheten är bra, över 80%!

2. Du kan se denna modell i praktiken genom att testa en rad data (#50):

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

   Resultatet skrivs ut:

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

   ✅ Prova ett annat radnummer och kontrollera resultaten

3. Gräv djupare, du kan kontrollera noggrannheten i denna prediktion:

   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 skrivs ut – Indisk matlagning är dess bästa gissning, med god sannolikhet:

   	0
   indian	0.715851
   chinese	0.229475
   japanese	0.029763
   korean	0.017277
   thai	0.007634

   ✅ Kan du förklara varför modellen är ganska säker på att detta är en indisk maträtt?

4. Få mer detalj genom att skriva ut en klassificeringsrapport, som du gjorde i regression-lektionerna:

   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

🚀Utmaning

I denna lektion använde du dina rensade data för att bygga en maskininlärningsmodell som kan förutsäga en nationell maträtt baserat på en serie ingredienser. Ta dig tid att läsa igenom de många alternativ Scikit-learn erbjuder för att klassificera data. Gräv djupare i konceptet 'solver' för att förstå vad som händer bakom kulisserna.

Quiz efter föreläsningen

Översikt & Självstudier

Gräv lite mer i matematiken bakom logistisk regression i denna lektion

Uppgift

Studera solvers

---

Ansvarsfriskrivning: Detta dokument har översatts med hjälp av AI-översättningstjänsten Co-op Translator. Även om vi strävar efter noggrannhet, vänligen observera att automatiska översättningar kan innehålla fel eller unøjaktigheter. Det ursprungliga dokumentet på dess modersmål bör betraktas som den auktoritativa källan. För kritisk information rekommenderas professionell mänsklig översättning. Vi ansvarar inte för några missförstånd eller feltolkningar som uppstår till följd av användningen av denna översättning.