tp_supervised.ipynb 10.6 KB
Newer Older
1
2
3
4
5
6
7
8
{
 "cells": [
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "# TP Apprentissage supervisé: Classification / Discrimination\n",
    "\n",
9
    "Dans ce tp, on fait de la Classification / Discrimination, c'est-à-dire que l'on connaît les \"vrais\" labels de nos classes. \n",
10
11
12
    "\n",
    "On va utiliser les données Breast cancer dataset (classification).\n",
    "\n",
13
    "Une description de ces données est disponible à l'adresse https://scikit-learn.org/stable/datasets/index.html#breast-cancer-wisconsin-diagnostic-dataset. Jetez un coup d'oeil pour comprendre la problématique.\n",
14
    "\n",
15
    "Importez les libraries de ce matin: `numpy` et `scikit datasets`."
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": []
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": []
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
36
    "Chargez les données depuis `datasets.load_boston`. Que renvoie ceette fonction ? Chargez vos données dans des variables appelées X et y pour avoir, respectivement, les données et les labels."
37
38
39
40
41
42
43
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "# Formatage du jeu de données\n",
44
    "Pour entraîner nos algorithmes, on va splitter notre jeu de données en 3 sous-jeux de données: \n",
45
46
47
48
49
50
    "- train\n",
    "- validation\n",
    "- test\n",
    "\n",
    "Pourquoi est-ce nécessaire?\n",
    "\n",
51
    "Pour cela, utilisez la fonction scikit-learn `sklearn.model_selection.train_test_split`. Importez cette méthode, "
52
53
54
55
56
57
58
59
60
61
62
63
64
65
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": []
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "# K-NNs\n",
66
    "On va lancer les k-nns sur ce dataset. Essayez K = 1, puis K = n (n est le nombre de samples). Commentez."
67
68
69
70
71
72
73
74
75
76
77
78
79
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": []
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
80
    "Comment choisir K? Essayez différents K, regardez les résultats."
81
82
83
84
85
86
87
88
89
90
91
92
93
94
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": []
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "# NBC / Algrotihme baeysien naif\n",
95
    "On va maintenant utiliser l'agorithme bayésien naif (*naive baeysian classifier* pour les gens hype). Pour rappel, le modèle se base sur l'indépendance des _features_ et l'hypothèse gaussienne. Les amoureux de SY01 se souviendront de la formule de bayes: \n",
96
97
98
99
100
101
102
103
104
105
    "$$\n",
    "P(X | Y) = \\frac{P(Y|X) \\times P(X)}{P(Y)}\n",
    "$$\n",
    "Bref, commencez par importer le NBC depuis scikit-learn."
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
106
    "Consultez la doc pour connaître les arguments demandés. Utilisez cet algorithme sur le jeu `boston`"
107
108
109
110
111
112
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
113
    "_Optionel_ Quels sont vos résultats? Essayez d'afficher vos clusters en 2D. (un peu chaud, à voir)"
114
115
116
117
118
119
120
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "# Regression logistique\n",
121
    "On va utiliser la regression logistique (aka *logistic regression*). \n",
122
123
124
125
126
127
    "Rappel de notre modèle, pour deux classes: \n",
    "$$Pr(C_0 | features) + Pr(C_1 | features) = 1$$\n",
    "$$Pr(C_1 | features) = \\frac{1}{1+\\exp^{w_O +w_1\\times features}}$$\n",
    "On veut donc déterminer $w = (w_0,w_1)$\n",
    "Et, de manière assez inattendue, Scikit propose un implémentation de la regression logistique. La doc scikit est consultable ici: https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html .\n",
    "\n",
128
    "Consultez la doc, puis lancez une regression logistique. "
129
130
131
132
133
134
135
136
137
138
139
140
141
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Quels sont vos résultats? Sont-ils meilleurs que pour le NBC?"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
142
143
    "Le principal avantage de la regression logistique est son interprétabilité, grâce aux poids. \n",
    "Quelles sont les features qui vous ont permis de discriminer entre les classes? Utilisez pour cela les poids du vecteurs $w$."
144
145
146
147
148
149
150
151
152
153
154
155
156
157
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "_optionel_ Essayez de tracer vos classes dans $R^2$, en utilisant les 2 features les plus discriminantes."
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "# SVM -- Support Vector Machine\n",
158
    "Machine à vecteur de Support (Système à Vaste Marge pour les littéraires), les SVMs sont des algorithmes plus complexes. Ils perdent l'interprétabilité de la *logistic regression*, mais permettent d'obtenir des frontières de décision non linéaires grâce au kernel. Très puissants, ils ont été les algorithmes phares des années 90 et début 2000.\n",
159
160
161
162
163
164
165
166
167
168
    "Le modèle est assez complexe, basé sur l'estimation de la marge. Voici pour rappel un schéma volé sur Wikipédia, qui présente le cas facilement séparable:\n",
    "![](https://upload.wikimedia.org/wikipedia/commons/7/72/SVM_margin.png)\n",
    "La puissance des SVM est basé sur la notion de Kernel explorée en détail ce matin. On utilisera le noyeau gaussien, appelé `rbf` dans scikit."
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Étonnement, nous utiliserons l'implémentation scikit-learn. La doc est ici : https://scikit-learn.org/stable/modules/generated/sklearn.svm.SVC.html\n",
169
    "Importez cette méthode. Consulter la doc string ou la documentation intégrée. Quels sont les paramètres?"
170
171
172
173
174
175
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
176
    "Lancez un SVM sur nos données, avec un noyeau linéaire `kernel='linear'`. "
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Cela revient en fait à appliquer un classifieur linéaire sur le jeu de données. Quels sont vos résultats? Sont-ils très différents de ceux obtenus avec la regression logisitique ?"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "On va maintenant utiliser un noyeau non linéaire, le `rbf`. Réutilisez votre code précédent, en changeant simplement le kernel."
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
197
    "C'eest fini? Pas encore? Toujours pas? La méthode est bien plus complexe que la regression logistique. Plus complexe --> plus de calculs --> plus lent.\n",
198
199
200
201
202
203
204
    "Quels sont vos résultats? Sont-ils meilleurs que précédemment?"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
205
    "En fait, il n'y a pas que le kernel qui paramètrise votre SVM. Le paramètre de régularisation aussi. Pour l'instant quel est votre paramètre C? Regardez dans la doc.\n",
206
207
208
209
210
211
212
213
    "\n",
    "Essayez `C=20`. Commentez vos résultats."
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
214
    "Cherchez un `C` optimal. Nous verrons plus tard comment faire cela automatiquement."
215
216
217
218
219
220
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
221
222
    "_optionel_ Vous souvenez-vous de la commande magic permettant de connaitre le temps de calcul pour un ligne? `%timeit`\n",
    "Comparez le temps pris par la régression logistique et le SVM."
223
224
225
226
227
228
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
TheophilePACE's avatar
TheophilePACE committed
229
    "# Arbres de décision\n",
230
    "Les arbres de décision sont une méthode extrêmement puissante, surtout quand ils sont utilisés avec des méthodes de boosting (que nous verrons aussi aujourd'hui). De plus, les arbres sont très interprétables.\n",
TheophilePACE's avatar
TheophilePACE committed
231
    "![](https://upload.wikimedia.org/wikipedia/commons/2/25/Cart_tree_kyphosis.png)\n",
232
    "On va utiliser cette méthode pour faire de la classification. Cherchez l'implémentation scikit de cette méthode. En anglais, on parle de *decision tree classifier*.\n",
TheophilePACE's avatar
TheophilePACE committed
233
234
235
236
237
238
239
    "Consulter la doc string. "
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
240
    "Lancez un arbre avec `DecisionTreeClassifier`. Essayez sur votre ensemble de validation."
TheophilePACE's avatar
TheophilePACE committed
241
242
243
244
245
246
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
247
    "Bravo! Vous venez de découvrir l'*overfitting*!! C'est-à-dire que votre arbre a tout appris par coeur, et a donc trop de branches. Pour poursuivre la métaphore, on va utiliser une forêt, afin que les surapprentissages se compensent.\n",
TheophilePACE's avatar
TheophilePACE committed
248
249
250
251
252
253
254
255
256
    "_optionel_ : tracer votre arbre en 2D. Vous pouvez utiliser le tuto suivant: https://scikit-learn.org/stable/auto_examples/tree/plot_iris.html#sphx-glr-auto-examples-tree-plot-iris-py"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "# Random Forest\n",
    "Les forêts aléatoires sont des classifieurs extrêmement puissants, qui s'appuie sur le bootstrap, et le bagging. Ce sont des techniques statistiques assez avancées qui consistent à:\n",
257
258
    "- *bootstrap*: faire des tirages avec remise dans le jeu de données\n",
    "- *bagging*: entrainer le même modèle sur différents bootstrap, et faire un vote pour classifier.\n",
TheophilePACE's avatar
TheophilePACE committed
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
    "Problème: l'interprétation devient difficile.\n",
    "La documentation est disponible à https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.RandomForestClassifier.html"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Après avoir regardé la documentation, lancez une random forest avec `n_arbres = 15`,"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
274
    "Comparez vos résultats avec votre arbre. Regardez bien sur l'ensemble de test puis sur l'ensemble de validation. Que remarquez-vous? À quoi cela est dû?"
TheophilePACE's avatar
TheophilePACE committed
275
276
277
278
279
280
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
281
    "Rééssayez avec  `n_arbres = 100`,  `n_arbres = 333`. "
TheophilePACE's avatar
TheophilePACE committed
282
283
284
285
286
287
288
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Comparez vos résultats. "
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": []
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": []
  }
 ],
 "metadata": {
  "kernelspec": {
   "display_name": "Python 3",
   "language": "python",
   "name": "python3"
  },
  "language_info": {
   "codemirror_mode": {
    "name": "ipython",
    "version": 3
   },
   "file_extension": ".py",
   "mimetype": "text/x-python",
   "name": "python",
   "nbconvert_exporter": "python",
   "pygments_lexer": "ipython3",
   "version": "3.6.6"
  }
 },
 "nbformat": 4,
 "nbformat_minor": 2
}