Commit 94dff63a authored by TheophilePACE's avatar TheophilePACE
Browse files

V.1 avec tous les classifiers

parent e1331eaf
%% Cell type:markdown id: tags:
# TP Apprentissage supervisé: Classification / Discrimination
Dans ce tp, on fait de la Classification / Discrimination, c'est à dire qu'on connait les "vrais" labels de nos classes.
On va utiliser les données Breast cancer dataset (classification).
Une description de ces données est disponible à https://scikit-learn.org/stable/datasets/index.html#breast-cancer-wisconsin-diagnostic-dataset. Jetez un coup d'oeil pour comprendre la probblématique.
Importer les libraries de ce matin: numpy et scikit datasets.
%% Cell type:code id: tags:
``` python
```
%% Cell type:code id: tags:
``` python
```
%% Cell type:markdown id: tags:
Charger les données depuis datasets.load_boston. Que renvoie ceette fonction ? Charger vos données dans des variables appelées X et y opur respectivement les données et les labels.
%% Cell type:markdown id: tags:
# Formatage du jeu de données
Pour entrainer nos alogrithmes, on va splitter notre jeu de données en 3 sous jeu de données:
- train
- validation
- test
Pourquoi est-ce nécessaire?
Pour cela, utiliser la fonction scikit-learn `sklearn.model_selection.train_test_split`. Importer cette méthode,
%% Cell type:code id: tags:
``` python
```
%% Cell type:markdown id: tags:
# K-NNs
On va lancer les k-nns sur ce dataset.Essayer K = 1. Essayer K = n (n est le nombre de samples). Commentez.
%% Cell type:code id: tags:
``` python
```
%% Cell type:markdown id: tags:
Comment choisir K? Essayer différents K, regarder les résultats.
%% Cell type:code id: tags:
``` python
```
%% Cell type:markdown id: tags:
# NBC / Algrotihme baeysien naif
On va maintenant utiliser l'agorithme baeysien naif, naive baeysian classifier pour les gens hype. Pour rappel, le modèle se base sur l'indépendance des _features_ et l'hypothèse gaussiennee. LEs amoureux de SY01 se souviendront de la formule de bayes:
$$
P(X | Y) = \frac{P(Y|X) \times P(X)}{P(Y)}
$$
Bref, commencez par importer le NBC depuis scikit-learn.
%% Cell type:markdown id: tags:
Consulter la doc pour connaître les arguments demandés. Utiliser cette algorithme sur le jeu boston
%% Cell type:markdown id: tags:
_Optionel_ Quels sont vos résultats? Essayer d'affichier vos clusters en 2D. (un peu chaud, à voir)
%% Cell type:markdown id: tags:
# Regression logistique
On va utiliser la regression logistique ou logistic regression.
Rappel de notre modèle, pour deux classes:
$$Pr(C_0 | features) + Pr(C_1 | features) = 1$$
$$Pr(C_1 | features) = \frac{1}{1+\exp^{w_O +w_1\times features}}$$
On veut donc déterminer $w = (w_0,w_1)$
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 .
Consulter la doc, lancer une regression logistique.
%% Cell type:markdown id: tags:
Quels sont vos résultats? Sont-ils meilleurs que pour le NBC?
%% Cell type:markdown id: tags:
Le principal avantage de la regerssion logistique est son interprétabilité, grâce aux poids.
Quelles sont les features qui vous ont permi de discriminer entre les classes? Utiliser pour cela les poids du vecteurs $w$.
%% Cell type:markdown id: tags:
_optionel_ Essayez de tracer vos classes dans $R^2$, en utilisant les 2 features les plus discriminantes.
%% Cell type:markdown id: tags:
# SVM -- Support Vector Machine
Machine à vecteur de Support ou Système à Vaste Marge pour les littéraires, les SVMs sont des algorithmes plus complexes. Ils perdent l'interprétabilité de la logitic regression, mais permettent d'obtenir des fronitères de décision non linéaires grâce au kernel. Très puissants, ils ont été les algorithmes phare des années 90s et début 2000s.
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:
![](https://upload.wikimedia.org/wikipedia/commons/7/72/SVM_margin.png)
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 id: tags:
Étonnement, nous utiliserons l'implémentation scikit-learn. La doc est ici : https://scikit-learn.org/stable/modules/generated/sklearn.svm.SVC.html
importez cette méthode. Consulter la doc string ou documentation intégrée. Quels sont les paramètres?
%% Cell type:markdown id: tags:
Lancer un SVM sur nos données, avec un noyeau linéaire `kernel='linear'`.
%% Cell type:markdown id: tags:
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 id: tags:
On va maintenant utiliser un noyeau non linéaire, le `rbf`. Réutilisez votre code précédent, en changeant simplement le kernel.
%% Cell type:markdown id: tags:
C'eest fini? Pas eencore? Toujours pas? La méthode est bien plus complexe que la regression logistique. Plus complexe --> plus de calculs --> plus lent.
Quels sont vos résultats? Sont-ils meilleurs que précédemment?
%% Cell type:markdown id: tags:
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.
Essayez `C=20`. Commentez vos résultats.
%% Cell type:markdown id: tags:
Chercher un `C` optimal. Nous verrons plus tard comment faire cela automatiquement.
%% Cell type:markdown id: tags:
_optionel_ Vous souvenez vous de la commande magic permettant de connaitre le temps pris par un ligne? `%timeit`
Comparer le temps pris par la régression logistique et le SVM.
%% Cell type:markdown id: tags:
# Arbres de décision
Les arbres de décision sont une méthode extrêmement puissante, surtout qaund ils sont utilisés avec des méthodes de boosting (que nous verront aussi aujourd'hui). De plus, les arbres sont très interprétables.
![](https://upload.wikimedia.org/wikipedia/commons/2/25/Cart_tree_kyphosis.png)
On va utiliser cette méthode pour faire de la classification. Chercher l'implémentation scikit de cette méthode. En anglais, on parle de decision tree classifier.
Consulter la doc string.
%% Cell type:markdown id: tags:
Lancer un arbre avec DecisionTreeClassifier. Essayer sur votre ensemble de validation.
%% Cell type:markdown id: tags:
Bravo! Vous venez de découvrir l'overfitting!! C'est à dire que votre arbre a tout appris par coeur, et a donc trop de branche. Pour poursuivre la métaphore, on va utiliser une forêt, afin que les surapprentissage se compensent.
_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 id: tags:
# Random Forest
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:
- bootstrap: faire des tirages avec remises dans le jeu de données
- bagging: entrainer le même modèle sur différents bootstrap, et faire un vote pour classifier.
Problème: l'interprétation devient difficile.
La documentation est disponible à https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.RandomForestClassifier.html
%% Cell type:markdown id: tags:
Après avoir regardé la documentation, lancez une random forest avec `n_arbres = 15`,
%% Cell type:markdown id: tags:
Comparer vos résultats avec votre arbre. Regarder bien sur l'ensemble de test puis sur l'ensemble de validation. Que remarquez vous? À quoi cela est dû?
%% Cell type:markdown id: tags:
Réssayez avec `n_arbres = 100`, `n_arbres = 333`.
%% Cell type:markdown id: tags:
Comparez vos résultats.
%% Cell type:code id: tags:
``` python
```
%% Cell type:code id: tags:
``` python
```
......
Markdown is supported
0% or .
You are about to add 0 people to the discussion. Proceed with caution.
Finish editing this message first!
Please register or to comment