In diesem Artikel erfahren Sie, wie Sie aus mehreren Modellen mit unterschiedlichen Hyperparametern das beste Modell auswählen. In einigen Fällen können wir über mehr als 50 verschiedene Modelle verfügen. Es ist wichtig zu wissen, wie Sie eines auswählen, um das Modell mit der besten Leistung für Ihren Datensatz zu erhalten .
Wir werden die Modellauswahl sowohl durch Auswahl des besten Lernalgorithmus als auch seiner besten Hyperparameter durchführen.
Aber zuerst: Was sind Hyperparameter? Dies sind die zusätzlichen Einstellungen, die vom Benutzer festgelegt werden und sich darauf auswirken, wie das Modell seine Parameter lernt. Parameter hingegen sind das, was Modelle während des Trainingsprozesses lernen.
Umfassende Suche beinhaltet die Auswahl des besten Modells durch die Suche über eine Reihe von Hyperparametern. Dazu nutzen wir scikit-learns GridSearchCV.
So funktioniert GridSearchCV:
Beispiel
Wir können eine logistische Regression als unseren Lernalgorithmus einrichten und zwei Hyperparameter (C und die Regularisierungsstrafe) optimieren. Wir können auch zwei Parameter angeben: den Solver und die maximale Iteration.
Jetzt trainieren wir für jede Kombination aus C- und Regularisierungsstrafenwerten das Modell und bewerten es mithilfe einer k-fachen Kreuzvalidierung.
Da wir 10 mögliche Werte von C haben, sind 2 mögliche Werte von reg. Strafe und 5 Falten haben wir insgesamt (10 x 2 x 5 = 100) Kandidatenmodelle, aus denen das beste ausgewählt wird.
# Load libraries import numpy as np from sklearn import linear_model, datasets from sklearn.model_selection import GridSearchCV # Load data iris = datasets.load_iris() features = iris.data target = iris.target # Create logistic regression logistic = linear_model.LogisticRegression(max_iter=500, solver='liblinear') # Create range of candidate penalty hyperparameter values penalty = ['l1','l2'] # Create range of candidate regularization hyperparameter values C = np.logspace(0, 4, 10) # Create dictionary of hyperparameter candidates hyperparameters = dict(C=C, penalty=penalty) # Create grid search gridsearch = GridSearchCV(logistic, hyperparameters, cv=5, verbose=0) # Fit grid search best_model = gridsearch.fit(features, target) # Show the best model print(best_model.best_estimator_) # LogisticRegression(C=7.742636826811269, max_iter=500, penalty='l1', solver='liblinear') # Result
Das beste Modell finden:
# View best hyperparameters print('Best Penalty:', best_model.best_estimator_.get_params()['penalty']) print('Best C:', best_model.best_estimator_.get_params()['C']) # Best Penalty: l1 #Result # Best C: 7.742636826811269 # Result
Dies wird häufig verwendet, wenn Sie eine rechnerisch günstigere Methode als eine umfassende Suche zur Auswahl des besten Modells wünschen.
Es ist erwähnenswert, dass der Grund dafür ist, dass RandomizedSearchCV nicht von Natur aus schneller ist als GridSearchCV, aber oft eine mit GridSearchCV vergleichbare Leistung in kürzerer Zeit erreicht, nur indem weniger Kombinationen getestet werden.
So funktioniert RandomizedSearchCV:
Beispiel
# Load data iris = datasets.load_iris() features = iris.data target = iris.target # Create logistic regression logistic = linear_model.LogisticRegression(max_iter=500, solver='liblinear') # Create range of candidate regularization penalty hyperparameter values penalty = ['l1', 'l2'] # Create distribution of candidate regularization hyperparameter values C = uniform(loc=0, scale=4) # Create hyperparameter options hyperparameters = dict(C=C, penalty=penalty) # Create randomized search randomizedsearch = RandomizedSearchCV( logistic, hyperparameters, random_state=1, n_iter=100, cv=5, verbose=0, n_jobs=-1) # Fit randomized search best_model = randomizedsearch.fit(features, target) # Print best model print(best_model.best_estimator_) # LogisticRegression(C=1.668088018810296, max_iter=500, penalty='l1', solver='liblinear') #Result.
Das beste Modell finden:
# View best hyperparameters print('Best Penalty:', best_model.best_estimator_.get_params()['penalty']) print('Best C:', best_model.best_estimator_.get_params()['C']) # Best Penalty: l1 # Result # Best C: 1.668088018810296 # Result
Hinweis: Die Anzahl der trainierten Kandidatenmodelle wird in den Einstellungen für n_iter (Anzahl der Iterationen) angegeben.
In diesem Teil schauen wir uns an, wie man das beste Modell auswählt, indem man eine Reihe von Lernalgorithmen und ihre jeweiligen Hyperparameter durchsucht.
Wir können dies tun, indem wir einfach ein Wörterbuch der Kandidaten-Lernalgorithmen und ihrer Hyperparameter erstellen, um es als Suchraum für GridSearchCV zu verwenden.
Schritte:
# Load libraries import numpy as np from sklearn import datasets from sklearn.linear_model import LogisticRegression from sklearn.ensemble import RandomForestClassifier from sklearn.model_selection import GridSearchCV from sklearn.pipeline import Pipeline # Set random seed np.random.seed(0) # Load data iris = datasets.load_iris() features = iris.data target = iris.target # Create a pipeline pipe = Pipeline([("classifier", RandomForestClassifier())]) # Create dictionary with candidate learning algorithms and their hyperparameters search_space = [{"classifier": [LogisticRegression(max_iter=500, solver='liblinear')], "classifier__penalty": ['l1', 'l2'], "classifier__C": np.logspace(0, 4, 10)}, {"classifier": [RandomForestClassifier()], "classifier__n_estimators": [10, 100, 1000], "classifier__max_features": [1, 2, 3]}] # Create grid search gridsearch = GridSearchCV(pipe, search_space, cv=5, verbose=0) # Fit grid search best_model = gridsearch.fit(features, target) # Print best model print(best_model.best_estimator_) # Pipeline(steps=[('classifier', LogisticRegression(C=7.742636826811269, max_iter=500, penalty='l1', solver='liblinear'))])
Das beste Modell:
Nachdem die Suche abgeschlossen ist, können wir best_estimator_ verwenden, um den Lernalgorithmus und die Hyperparameter des besten Modells anzuzeigen.
Manchmal möchten wir möglicherweise einen Vorverarbeitungsschritt in die Modellauswahl einbeziehen.
Die beste Lösung besteht darin, eine Pipeline zu erstellen, die den Vorverarbeitungsschritt und alle seine Parameter enthält:
Die erste Herausforderung:
GridSeachCv verwendet eine Kreuzvalidierung, um das Modell mit der höchsten Leistung zu ermitteln.
Bei der Kreuzvalidierung geben wir jedoch vor, dass die Falte, die als Testsatz angezeigt wird, nicht sichtbar ist und daher nicht Teil der Anpassung irgendwelcher Vorverarbeitungsschritte (z. B. Skalierung oder Standardisierung) ist.
Aus diesem Grund müssen die Vorverarbeitungsschritte Teil der von GridSearchCV durchgeführten Aktionen sein.
Die Lösung
Scikit-learn stellt die FeatureUnion bereit, die es uns ermöglicht, mehrere Vorverarbeitungsaktionen ordnungsgemäß zu kombinieren.
Schritte:
This allows us to outsource the proper handling of fitting, transforming, and training the models with combinations of hyperparameters to scikit-learn.
Second Challenge:
Some preprocessing methods such as PCA have their own parameters, dimensionality reduction using PCA requires the user to define the number of principal components to use to produce the transformed features set. Ideally we would choose the number of components that produces a model with the greatest performance for some evaluation test metric.
Solution.
In scikit-learn when we include candidate component values in the search space, they are treated like any other hyperparameter to be searched over.
# Load libraries import numpy as np from sklearn import datasets from sklearn.linear_model import LogisticRegression from sklearn.model_selection import GridSearchCV from sklearn.pipeline import Pipeline, FeatureUnion from sklearn.decomposition import PCA from sklearn.preprocessing import StandardScaler # Set random seed np.random.seed(0) # Load data iris = datasets.load_iris() features = iris.data target = iris.target # Create a preprocessing object that includes StandardScaler features and PCA preprocess = FeatureUnion([("std", StandardScaler()), ("pca", PCA())]) # Create a pipeline pipe = Pipeline([("preprocess", preprocess), ("classifier", LogisticRegression(max_iter=1000, solver='liblinear'))]) # Create space of candidate values search_space = [{"preprocess__pca__n_components": [1, 2, 3], "classifier__penalty": ["l1", "l2"], "classifier__C": np.logspace(0, 4, 10)}] # Create grid search clf = GridSearchCV(pipe, search_space, cv=5, verbose=0, n_jobs=-1) # Fit grid search best_model = clf.fit(features, target) # Print best model print(best_model.best_estimator_) # Pipeline(steps=[('preprocess', FeatureUnion(transformer_list=[('std', StandardScaler()), ('pca', PCA(n_components=1))])), ('classifier', LogisticRegression(C=7.742636826811269, max_iter=1000, penalty='l1', solver='liblinear'))]) # Result
After the model selection is complete we can view the preprocessing values that produced the best model.
Preprocessing steps that produced the best modes
# View best n_components best_model.best_estimator_.get_params() # ['preprocess__pca__n_components'] # Results
That time you need to reduce the time it takes to select a model.
We can do this by training multiple models simultaneously, this is done by using all the cores in our machine by setting n_jobs=-1
# Load libraries import numpy as np from sklearn import linear_model, datasets from sklearn.model_selection import GridSearchCV # Load data iris = datasets.load_iris() features = iris.data target = iris.target # Create logistic regression logistic = linear_model.LogisticRegression(max_iter=500, solver='liblinear') # Create range of candidate regularization penalty hyperparameter values penalty = ["l1", "l2"] # Create range of candidate values for C C = np.logspace(0, 4, 1000) # Create hyperparameter options hyperparameters = dict(C=C, penalty=penalty) # Create grid search gridsearch = GridSearchCV(logistic, hyperparameters, cv=5, n_jobs=-1, verbose=1) # Fit grid search best_model = gridsearch.fit(features, target) # Print best model print(best_model.best_estimator_) # Fitting 5 folds for each of 2000 candidates, totalling 10000 fits # LogisticRegression(C=5.926151812475554, max_iter=500, penalty='l1', solver='liblinear')
This a way to speed up model selection without using additional compute power.
This is possible because scikit-learn has model-specific cross-validation hyperparameter tuning.
Sometimes the characteristics of a learning algorithms allows us to search for the best hyperparameters significantly faster.
Example:
LogisticRegression is used to conduct a standard logistic regression classifier.
LogisticRegressionCV implements an efficient cross-validated logistic regression classifier that can identify the optimum value of the hyperparameter C.
# Load libraries from sklearn import linear_model, datasets # Load data iris = datasets.load_iris() features = iris.data target = iris.target # Create cross-validated logistic regression logit = linear_model.LogisticRegressionCV(Cs=100, max_iter=500, solver='liblinear') # Train model logit.fit(features, target) # Print model print(logit) # LogisticRegressionCV(Cs=100, max_iter=500, solver='liblinear')
Note:A major downside to LogisticRegressionCV is that it can only search a range of values for C. This limitation is common to many of scikit-learn's model-specific cross-validated approaches.
I hope this Article was helpful in creating a quick overview of how to select a machine learning model.
Das obige ist der detaillierte Inhalt vonML-Modellauswahl.. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!