TP_classification.ipynb 12.9 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
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": []
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
29
    "Chargez les données depuis `datasets.load_boston`. Que renvoie cette fonction ? Chargez vos données dans des variables appelées X et y pour avoir, respectivement, les données et les labels."
30 31 32 33 34 35 36
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "# Formatage du jeu de données\n",
37
    "Pour entraîner nos algorithmes, on va splitter notre jeu de données en 3 sous-jeux de données: \n",
38 39 40 41 42 43
    "- train\n",
    "- validation\n",
    "- test\n",
    "\n",
    "Pourquoi est-ce nécessaire?\n",
    "\n",
44
    "Pour cela, utilisez la fonction scikit-learn `sklearn.model_selection.train_test_split`. Importez cette méthode, appliquer là à nos données."
45 46 47 48 49 50 51 52 53 54 55 56 57 58
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": []
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "# K-NNs\n",
59
    "On va lancer les k-nns sur ce dataset. Essayez `K = 1`, puis `K = n` (n est le nombre de samples). Observez dans $R^2$. Commentez."
60 61 62 63 64 65 66 67 68 69 70 71 72
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": []
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
73
    "Comment choisir K? Essayez différents K, regardez les résultats."
74 75 76 77 78 79 80 81 82 83 84 85 86
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": []
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
87 88
    "# Algorithme Bayésien naif (NBC)\n",
    "\n",
89
    "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",
90 91 92
    "$$\n",
    "P(X | Y) = \\frac{P(Y|X) \\times P(X)}{P(Y)}\n",
    "$$\n",
93
    "Bref, commencez par importer le NBC depuis scikit-learn. https://scikit-learn.org/stable/modules/generated/sklearn.naive_bayes.GaussianNB.html"
94 95 96 97 98 99
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
100
    "Consultez la doc pour connaître les arguments demandés. Utilisez cet algorithme sur le jeu de données `boston`."
101 102 103 104 105 106
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
107
    "**Optionel** Quels sont vos résultats? Essayez d'afficher vos clusters en 2D dans $R^2$. Vous pouvez appliquer une PCA et garder 2 composantes. De là, c'est possible de plot dans $R^2$."
108 109 110 111 112 113
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
114 115 116 117
    "# Régression logistique\n",
    "\n",
    "On va utiliser la régression logistique (aka *logistic regression*). Rappel de ce modèle, pour deux classes: \n",
    "\n",
118 119 120
    "$$Pr(C_0 | features) + Pr(C_1 | features) = 1$$\n",
    "$$Pr(C_1 | features) = \\frac{1}{1+\\exp^{w_O +w_1\\times features}}$$\n",
    "\n",
121 122 123 124 125
    "Avec $C_0$ et $C_1$ les deux classes à discriminer. On veut donc déterminer les poids $w = (w_0,w_1)$.\n",
    "\n",
    "Et, de manière assez inattendue... Scikit propose un implémentation de la régression logistique. La doc est consultable ici: https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html\n",
    "\n",
    "Appliquez la régression logistique toujours sur les données `boston`."
126 127 128 129 130 131
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
132
    "Quels sont vos résultats (calculer l'accuracy) ? Sont-ils meilleurs que pour le NBC?"
133 134 135 136 137 138
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
139
    "Le principal avantage de la régression logistique est son interprétabilité, grâce aux poids. Quelles sont les features qui vous ont permis de discriminer entre les classes? Regardez et comparer pour cela les poids du vecteur $w$."
140 141 142 143 144 145
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
146
    "**optionel** Essayez de tracer vos classes dans $R^2$, en utilisant les 2 features les plus discriminantes."
147 148 149 150 151 152
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
153 154 155 156 157 158
    "# Support Vector Machine (SVM)\n",
    "\n",
    "Machine à vecteur de Support (Système à Vaste Marge pour les littéraires), les SVMs sont des algorithmes plus complexes. \n",
    "\n",
    "Ils perdent l'interprétabilité de la *logistic regression*, mais permettent d'obtenir des frontières de décision non linéaires grâce au kernel trick. Très puissants, ils ont été les algorithmes phares des années 90 et début 2000.\n",
    "\n",
159
    "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",
160 161 162 163 164 165 166 167 168 169 170
    "\n",
    "<img src=\"https://upload.wikimedia.org/wikipedia/commons/7/72/SVM_margin.png\" width=\"400\" height=\"400\" />\n",
    "\n",
    "La puissance des SVM est basée sur la notion de kernel explorée en détail ce matin. On utilisera le noyau gaussien, appelé `rbf` dans scikit."
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## Utilisation"
171 172 173 174 175 176 177
   ]
  },
  {
   "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",
178
    "Importez cette méthode. Consulter la doc string ou la documentation intégrée. Quels sont les paramètres?"
179 180 181 182 183 184
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
185
    "Lancez un SVM sur nos données, avec un noyeau linéaire `kernel='linear'`. "
186 187
   ]
  },
188 189 190 191 192 193 194
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": []
  },
195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212
  {
   "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": [
213
    "## Performances / complexité"
214 215 216 217 218 219
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236
    "C'est fini? Pas encore? Toujours pas? La méthode est bien plus complexe que la régression logistique. \n",
    "Plus complexe --> plus de calculs --> plus lent.\n",
    "Quels sont vos résultats (calculer l'accuracy ici)? Sont-ils meilleurs que précédemment?"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": []
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "En fait, il n'y a pas que le kernel qui paramètrise votre SVM. Le paramètre de régularisation est aussi à fixer. Pour l'instant quel est votre paramètre C? Regardez dans la doc (il y a une valeur par défaut).\n",
237 238 239 240
    "\n",
    "Essayez `C=20`. Commentez vos résultats."
   ]
  },
241 242 243 244 245 246 247
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": []
  },
248 249 250 251
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
252
    "Cherchez \"à la main\" un `C` optimal. Nous verrons plus tard comment faire cela automatiquement."
253 254 255 256 257 258
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
259
    "**optionel** Vous souvenez-vous de la commande magic permettant de connaitre le temps de calcul d'une cellule ? `%timeit`\n",
260
    "Comparez le temps pris par la régression logistique et le SVM."
261 262 263 264 265 266
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
267
    "# Arbres de décision\n",
268 269
    "Les arbres de décision sont une méthode extrêmement puissante, surtout quand ils sont utilisés avec des méthodes de boosting (que nous verrons peut-être aussi aujourd'hui). De plus, les arbres sont très interprétables. C'est à dire qu'on peut comprendre facilement comment une prédiction à été faite, en suivant dans l'arbre le chemin à travers les noeuds.\n",
    "\n",
270
    "![](https://upload.wikimedia.org/wikipedia/commons/2/25/Cart_tree_kyphosis.png)\n",
271 272 273 274
    "\n",
    "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*.  https://scikit-learn.org/stable/modules/generated/sklearn.tree.DecisionTreeClassifier.html#sklearn.tree.DecisionTreeClassifier\n",
    "\n",
    "Consulter la doc string."
275 276
   ]
  },
277 278 279 280 281 282 283
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": []
  },
284 285 286 287
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
288
    "Lancez un arbre avec `DecisionTreeClassifier`. Essayez sur votre ensemble de validation."
289 290
   ]
  },
291 292 293 294 295 296 297 298 299 300 301 302 303 304
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": []
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "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."
   ]
  },
305 306 307 308
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
309
    "**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"
310 311 312 313 314 315 316
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "# Random Forest\n",
317
    "Les forêts aléatoires sont des classifieurs extrêmement puissants, qui s'appuient sur le bootstrap, et le bagging. Ce sont des techniques statistiques assez avancées qui consistent à:\n",
318 319
    "- *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",
320 321 322
    "\n",
    "Problème: l'interprétation devient plus difficile avec tous les arbres.\n",
    "\n",
323 324 325 326 327 328 329
    "La documentation est disponible à https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.RandomForestClassifier.html"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
330
    "Après avoir regardé la documentation, lancez une random forest avec `n_estimators = 15`:"
331 332 333
   ]
  },
  {
334 335
   "cell_type": "code",
   "execution_count": null,
336
   "metadata": {},
337 338
   "outputs": [],
   "source": []
339 340 341 342 343
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
344
    "Comparez vos résultats avec ceux obtenu avec un arbre (`DecisionTreeClassifier`). Regardez bien sur l'ensemble de test puis sur l'ensemble de validation. Que remarquez-vous? À quoi cela est dû?"
345 346 347 348 349 350
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
351
    "Rééssayez avec  `n_estimators = 100`,  `n_estimators = 333`. "
352 353 354 355 356 357 358 359 360 361
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": []
  },
  {
362
   "cell_type": "markdown",
363
   "metadata": {},
364 365 366
   "source": [
    "Comparez vos résultats. "
   ]
367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384
  }
 ],
 "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",
385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409
   "version": "3.7.1"
  },
  "toc": {
   "colors": {
    "hover_highlight": "#DAA520",
    "navigate_num": "#000000",
    "navigate_text": "#333333",
    "running_highlight": "#FF0000",
    "selected_highlight": "#FFD700",
    "sidebar_border": "#EEEEEE",
    "wrapper_background": "#FFFFFF"
   },
   "moveMenuLeft": true,
   "nav_menu": {
    "height": "192px",
    "width": "252px"
   },
   "navigate_menu": true,
   "number_sections": true,
   "sideBar": true,
   "threshold": 4,
   "toc_cell": false,
   "toc_section_display": "block",
   "toc_window_display": false,
   "widenNotebook": false
410 411 412 413 414
  }
 },
 "nbformat": 4,
 "nbformat_minor": 2
}