使用交叉验证对鸢尾花分类模型进行调参(超参数)

Posted 2021-01-06 caiyishuai

如何选择超参数：

交叉验证：

如图，

1. 大训练集分块，使用不同的分块方法分成N对小训练集和验证集。
2. 使用小训练集进行训练，使用验证集进行验证，得到准确率，求N个验证集上的平均正确率；
3. 使用平均正确率最高的超参数，对整个大训练集进行训练，训练出参数。
4. 在训练集上训练。

 

 

 

十折交叉验证

网格搜索

诸如你有多个可调节的超参数，那么选择超参数的方法通常是网格搜索，即固定一个参、变化其他参，像网格一样去搜索。

 

 

 

 

# 人工智能数据源下载地址：https://video.mugglecode.com/data_ai.zip，下载压缩包后解压即可（数据源与上节课相同）
# -*- coding: utf-8 -*-

"""
    任务：鸢尾花识别
"""
import pandas as pd
from sklearn.model_selection import train_test_split, GridSearchCV
from sklearn.neighbors import KNeighborsClassifier
from sklearn.linear_model import LogisticRegression
from sklearn.svm import SVC


DATA_FILE = ‘./data_ai/Iris.csv‘

SPECIES_LABEL_DICT = {
    ‘Iris-setosa‘:      0,  # 山鸢尾
    ‘Iris-versicolor‘:  1,  # 变色鸢尾
    ‘Iris-virginica‘:   2   # 维吉尼亚鸢尾
}

# 使用的特征列
FEAT_COLS = [‘SepalLengthCm‘, ‘SepalWidthCm‘, ‘PetalLengthCm‘, ‘PetalWidthCm‘]


def main():
    """
        主函数
    """
    # 读取数据集
    iris_data = pd.read_csv(DATA_FILE, index_col=‘Id‘)
    iris_data[‘Label‘] = iris_data[‘Species‘].map(SPECIES_LABEL_DICT)

    # 获取数据集特征
    X = iris_data[FEAT_COLS].values

    # 获取数据标签
    y = iris_data[‘Label‘].values

    # 划分数据集
    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=1/3, random_state=10)

    model_dict = {‘kNN‘:
                      (
                          KNeighborsClassifier(),
                          {‘n_neighbors‘: [5, 15, 25], ‘p‘: [1, 2]}
                       ),
                  ‘Logistic Regression‘:
                      (
                          LogisticRegression(),
                          {‘C‘: [1e-2, 1, 1e2]}
                      ),
                  ‘SVM‘:
                      (
                          SVC(),
                          {‘C‘: [1e-2, 1, 1e2]}
                      )
                  }   # 名称+元组

    for model_name, (model, model_params) in model_dict.items():
        # 训练模型
        clf = GridSearchCV(estimator=model, param_grid=model_params, cv=5) #模型、参数、折数
        clf.fit(X_train, y_train)   #训练
        best_model = clf.best_estimator_   #最佳模型的对象

        # 验证
        acc = best_model.score(X_test, y_test)
        print(‘{}模型的预测准确率：{:.2f}%‘.format(model_name, acc * 100))
        print(‘{}模型的最优参数：{}‘.format(model_name, clf.best_params_))       #最好的模型名称和参数


if __name__ == ‘__main__‘:
    main()

 

运行结果：

kNN模型的预测准确率：96.00%
kNN模型的最优参数：{‘n_neighbors‘: 15, ‘p‘: 2}
Logistic Regression模型的预测准确率：96.00%
Logistic Regression模型的最优参数：{‘C‘: 100.0}
SVM模型的预测准确率：98.00%
SVM模型的最优参数：{‘C‘: 1}

练习

练习：使用交叉验证对水果分类模型进行调参

• 题目描述：为模型选择最优的参数并进行水果类型识别，模型包括kNN，逻辑回归及SVM。对应的超参数为：

• kNN中的近邻个数n_neighbors及闵式距离的p值

• 逻辑回归的正则项系数C值

• SVM的正则项系数C值

• 题目要求:

• 使用3折交叉验证对模型进行调参

• 使用scikit-learn提供的方法为模型调参

• 数据文件：

• 数据源下载地址：https://video.mugglecode.com/fruit_data.csv（数据源与上节课相同）

• fruit_data.csv，包含了59个水果的的数据样本。

• 共5列数据

• fruit_name：水果类别

• mass: 水果质量

• width: 水果的宽度

• height: 水果的高度

• color_score: 水果的颜色数值，范围0-1。

• 0.85 - 1.00：红色

• 0.75 - 0.85: 橙色

• 0.65 - 0.75: 黄色

• 0.45 - 0.65: 绿色

  
  
   

  

  image

可能的代码

import pandas as pd
from sklearn.model_selection import GridSearchCV, train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.linear_model import LogisticRegression
from sklearn.svm import SVC

#读取数据
data = pd.read_csv(‘./data_ai/fruit_data.csv‘)

#数据处理
fruit_dict = {
    ‘apple‘:    0,
    ‘lemon‘:    1,
    ‘mandarin‘: 2,
    ‘orange‘:   3
}

data[‘label‘] = data[‘fruit_name‘].map(fruit_dict)

feat_cols = [‘mass‘,‘width‘,‘height‘,‘color_score‘]

#数据提取
X = data[feat_cols].values
y = data[‘label‘].values

X_train, X_test, y_train, y_test = train_test_split(X,y,test_size=1/5, random_state= 3)

model_dict = {
    ‘KNN‘: ( KNeighborsClassifier(), {‘n_neighbors‘: [5,15,25], ‘p‘ : [1,2]} ),
    ‘Logestic Regression‘: (LogisticRegression(), {‘C‘:[1e02, 1, 1e2] }),
    ‘SVM‘: (SVC(), {‘C‘:[1e02, 1, 1e2]})
}

for model_name, (model, model_para) in model_dict.items():
    #训练
    clf = GridSearchCV(estimator=model, param_grid=model_para, cv=5)  # 模型、参数、折数
    clf.fit(X_train,y_train)
    best_model = clf.best_estimator_

    #验证
    acc = best_model.score(X_test, y_test)
    print(f‘{model_name}中选择{clf.best_params_}为参数的预测准确率最好，准确率可达{acc*100}%‘)

 

运行结果：

KNN中选择{‘n_neighbors‘: 5, ‘p‘: 1}为参数的预测准确率最好，准确率可达66.66666666666666%
Logestic Regression中选择{‘C‘: 100.0}为参数的预测准确率最好，准确率可达91.66666666666666%
SVM中选择{‘C‘: 100.0}为参数的预测准确率最好，准确率可达50.0%

作者：夏威夷的芒果
链接：https://www.jianshu.com/p/790ac622dc18
來源：简书