tp_supervised.ipynb 10.6 KB
Newer Older
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228
{
 "cells": [
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "# TP Apprentissage supervisé: Classification / Discrimination\n",
    "\n",
    "Dans ce tp, on fait de la Classification / Discrimination, c'est à dire qu'on connait les \"vrais\" labels de nos classes. \n",
    "\n",
    "On va utiliser les données Breast cancer dataset (classification).\n",
    "\n",
    "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.\n",
    "\n",
    "Importer les libraries de ce matin: numpy et scikit datasets."
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": []
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": []
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "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",
   "metadata": {},
   "source": [
    "# Formatage du jeu de données\n",
    "Pour entrainer nos alogrithmes, on va splitter notre jeu de données en 3 sous jeu de données: \n",
    "- train\n",
    "- validation\n",
    "- test\n",
    "\n",
    "Pourquoi est-ce nécessaire?\n",
    "\n",
    "Pour cela, utiliser la fonction scikit-learn `sklearn.model_selection.train_test_split`. Importer cette méthode, "
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": []
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "# K-NNs\n",
    "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",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": []
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Comment choisir K? Essayer différents K, regarder les résultats."
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": []
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "# NBC / Algrotihme baeysien naif\n",
    "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: \n",
    "$$\n",
    "P(X | Y) = \\frac{P(Y|X) \\times P(X)}{P(Y)}\n",
    "$$\n",
    "Bref, commencez par importer le NBC depuis scikit-learn."
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Consulter la doc pour connaître les arguments demandés. Utiliser cette algorithme sur le jeu boston"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "_Optionel_ Quels sont vos résultats? Essayer d'affichier vos clusters en 2D. (un peu chaud, à voir)"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "# Regression logistique\n",
    "On va utiliser la regression logistique ou logistic regression. \n",
    "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",
    "Consulter la doc, lancer une regression logistique. "
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Quels sont vos résultats? Sont-ils meilleurs que pour le NBC?"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Le principal avantage de la regerssion logistique est son interprétabilité, grâce aux poids. \n",
    "Quelles sont les features qui vous ont permi de discriminer entre les classes? Utiliser pour cela les poids du vecteurs $w$."
   ]
  },
  {
   "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",
    "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.\n",
    "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",
    "importez cette méthode. Consulter la doc string ou documentation intégrée. Quels sont les paramètres?"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Lancer un SVM sur nos données, avec un noyeau linéaire `kernel='linear'`. "
   ]
  },
  {
   "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": [
    "C'eest fini? Pas eencore? Toujours pas? La méthode est bien plus complexe que la regression logistique. Plus complexe --> plus de calculs --> plus lent.\n",
    "Quels sont vos résultats? Sont-ils meilleurs que précédemment?"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "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",
    "\n",
    "Essayez `C=20`. Commentez vos résultats."
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Chercher un `C` optimal. Nous verrons plus tard comment faire cela automatiquement."
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "_optionel_ Vous souvenez vous de la commande magic permettant de connaitre le temps pris par un ligne? `%timeit`\n",
    "Comparer le temps pris par la régression logistique et le SVM."
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288
    "# Arbres de décision\n",
    "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.\n",
    "![](https://upload.wikimedia.org/wikipedia/commons/2/25/Cart_tree_kyphosis.png)\n",
    "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.\n",
    "Consulter la doc string. "
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Lancer un arbre avec DecisionTreeClassifier. Essayer sur votre ensemble de validation."
   ]
  },
  {
   "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 branche. Pour poursuivre la métaphore, on va utiliser une forêt, afin que les surapprentissage se compensent.\n",
    "_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",
    "- bootstrap: faire des tirages avec remises dans le jeu de données\n",
    "- bagging: entrainer le même modèle sur différents bootstrap, et faire un vote pour classifier.\n",
    "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": [
    "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",
   "metadata": {},
   "source": [
    "Réssayez avec  `n_arbres = 100`,  `n_arbres = 333`. "
   ]
  },
  {
   "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
}