V předešlé hodině jsme se vyhýbali programování, jak jen se to dalo. Teď už si ale chceš také sama vše vyzkoušet. Abys mohla úlohu rozmyšlenou v domácím úkolu naprogramovat, projdeme si nejdůležitější funkce, které budeš potřebovat.
Především budeme používat knihovnu Sciki-learn a samozrejmě také pandas. Potřebné věci projdeme na příkladu.
import pandas as pd
Na začátku vždy bude potřeba připravit data. Čištění dat a použití knihovny pandas už bys měla ovládat, zaměříme se jen na věci, které jsou specifické pro strojové učení.
Načíst data tedy umíš.
df_platy = pd.read_csv("static/salaries.csv", index_col=0)
df_platy.sample(10)
Pro predikci použijeme jako příznaky rank, discipline, yrs.since.phd, yrs.service a sex,
predikovat budeme hodnotu salary.
Pro učení potřebujeme všechny hondoty převést na čísla (float). Pokud by data obsahovala chybějící
hodnoty, nejjednodušší řešení je takové řádky zahodit. (Bonus: pokud bys měla data s větším množstvím
chybějících hodnot, podívej se na možnosti sklearn.impute)
Důležité je vypořádat se s kategorickými hodnotami. Sloupce obsahující hodnoty typu Boolean nebo dvě hodnoty (např. muž/žena), lze snadno převést na hodnoty $[0,1]$.
df_platy = df_platy.replace({"Male": 0, "Female": 1})
df_platy.sample(10)
Pro kategorické proměnné s více možnostmi použijeme tzv. onehot encoding.
Např. sloupec rank obsahuje hodnoty Prof, AsstProf a AssocProf. K zakódování pomocí onehot encoding potřebujeme tři sloupce:
| Původní hodnota | Kód |
|---|---|
| Prof | 1 0 0 |
| AsstProf | 0 1 0 |
| AssocProf | 0 0 1 |
Knihovna Scikitlearn nabízí sklearn.preprocessing.OneHotEncoder, při práci s pandas však můžeme použít rovnou metodu get_dummies. (Pozn. dummies proto, že nám přibudou pomocné proměnné (sloupce), které se označují jako dummy variables.)
df_platy = pd.get_dummies(df_platy)
df_platy
Poslední krok předzpracování bývá přeškálování hodnot. Není to vždy nutné, ale některým modelům to může pomoci. Využijeme StandardScaler.
StandardScaler nám hodnoty přeškáluje, aby zhruba odpovídaly normálnímu rozdělení. Některé algoritmy to předpokládají. Může se pak např. stát, že příznak (sloupeček), která má výrazně větší rozptyl než ostatní, je brán jako významnější.
(Pozn.: vytvoříme zvlášť objekt na transformaci odezvy. Ten se nám bude později hodit, až budeme chtít z odezvy modelu vidět, jaká je opravdová hodnota platu. Tedy zkonvertovat predikované hodnoty zpět na hodnotu platu.).
from sklearn.preprocessing import StandardScaler
priznaky_ke_konverzi = ["yrs.since.phd", "yrs.service"]
odezva = ["salary"]
transformace = StandardScaler()
df_platy[priznaky_ke_konverzi] = transformace.fit_transform(df_platy[priznaky_ke_konverzi])
transformace_odezva = StandardScaler()
df_platy[odezva] = transformace_odezva.fit_transform(df_platy[odezva])
df_platy.sample(10)
V teorii strojového učení se vstupy modelu (příznaky, vstupní proměnné) typicky označují písmenem X a výstupy písmenem y. Řada programátorů toto používá i k označování proměnných v kódu.
X představuje matici (neboli tabulku), kde každý řádek odpovídá jednomu datovému vzorku a každý sloupec jednomu příznaku (vstupní proměnné). y je vektor, neboli jeden sloupec s odezvou.
Na vyzobnutí odezvy se výborně hodí metoda pop.
y = df_platy.pop("salary")
X = df_platy
print(X.columns)
print(y.name)
Zbývá data rozdělit na trénovací a testovací. K tomu slouží metoda train_test_split.
Data nám rozdělí náhodně na trénovací a testovací sadu. Velikost testovací množiny můžeme specifikovat parametrem test_size, jeho defaultní hodnota je 0.25, t. j. 25%.
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3)
Můžeme přejít k samotnému učení. Vybereme si model. Přehled modelů najdeš v sekci Supervised learnig.
Na regresi můžeš použít:
Na klasifikační úlohy (ke kterým se dostaneme v této hodině) využiješ:
Vytvoříme instanci vybraného modelu (jde nám teď jen o způsob použití knihovny, vezmeme nejjednodušší lineární regresi):
from sklearn.linear_model import LinearRegression
model = LinearRegression()
Model natrénujeme na trénovací množině:
model.fit(X_train, y_train)
Natrénovaný model typicky chceme použít k ohodnocení nějakých nových datových vzorků, k tomu máme metodu predict. Zavolejme ji jak na trénovací, tak na testovací data.
train_predikce = model.predict(X_train)
test_predikce = model.predict(X_test)
Pozor, k učení jsme použili transformované hodnoty odezvy. Zajímají-li nás skutečné hodnoty platů, musíme i predikované hodnoty transformovat zpět.
# vypišme prvních deset tetovacích vzorků a jejich predikce
odezva = transformace_odezva.inverse_transform(test_predikce)
print(f"odezva modelu predicke platu")
for i in range(5):
print(f"{test_predikce[i]:>10.2f} {odezva[i]:>10.2f}")
Můžeme využít funkci score, která nám vrátí hodnotu $R^2$ metriky:
print("R2 na trénovací množině: ", model.score(X_train, y_train))
print("R2 na testovací množině: ", model.score(X_test, y_test))
Funkce pro všechny možné metriky najdeš v sklearn.metrics. (nyní nás zajímají regresní metriky)
from sklearn.metrics import mean_absolute_error, mean_squared_error, r2_score
MAE_train = mean_absolute_error(y_train, train_predikce)
MAE_test = mean_absolute_error(y_test, test_predikce)
MSE_train = mean_squared_error(y_train, train_predikce)
MSE_test = mean_absolute_error(y_test, test_predikce)
R2_train = r2_score(y_train, train_predikce)
R2_test = r2_score(y_test, test_predikce)
print("Trénovací data Testovací data")
print(f"MAE {MAE_train:>10.3f} {MAE_test:>10.3f}")
print(f"MAE {MAE_train:>10.3f} {MAE_test:>10.3f}")
from sklearn.metrics import mean_absolute_error, mean_squared_error, r2_score
MAE_train = mean_absolute_error(y_train, train_predikce)
MAE_test = mean_absolute_error(y_test, test_predikce)
MSE_train = mean_squared_error(y_train, train_predikce)
MSE_test = mean_absolute_error(y_test, test_predikce)
R2_train = r2_score(y_train, train_predikce)
R2_test = r2_score(y_test, test_predikce)
print(" Trénovací data Testovací data")
print(f"MAE {MAE_train:>15.3f} {MAE_test:>15.3f}")
print(f"MSE {MAE_train:>15.3f} {MAE_test:>15.3f}")
print(f"R2 {MAE_train:>15.3f} {MAE_test:>15.3f}")
Někdy si potřebujeme naučený model uchovat na další použití. Model lze uložit do souboru a zase načíst pomocí pickle.
Kujme pikle:
import pickle
with open("model.pickle", "wb") as soubor:
pickle.dump(model, soubor)
with open("model.pickle", "rb") as soubor:
staronovy_model = pickle.load(soubor)
staronovy_model.score(X_test, y_test)
Pozn.: Bohužel mám poměrně bohaté špatné zkušenosti z načítáním modelů uložených před delším časem (bývá problém načíst model uložený ve starší verzi Scikit-learn ve verzi novější).
volba vhodného modelu a jeho hyper-parametrů se skrývá pod klíčovým slovem model selection. Knihovna Scikit-learn obsahuje různé pomůcky k ulehčení toho výběru. Přesahuje to ale rámec tohoto kurzu, narazíš-li na to toho téma při samostudiu, pročti si sklear.model_selection.
v příkladu výše jsme použili různé transformace nad daty a pak teprve tvorbu modelu. Až budeš v těchto věcech zběhlejší, bude se ti hodit propojit tyto věci dohromady. K tomu slouží tzv. pipeline.