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
}