-
Notifications
You must be signed in to change notification settings - Fork 1
/
Copy pathcommon_ds.py
209 lines (192 loc) · 9.91 KB
/
common_ds.py
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
# coding=utf-8
import matplotlib.pyplot as plt
import numpy as np
from matplotlib.colors import ListedColormap
from sklearn.metrics import confusion_matrix
from sklearn.model_selection import GridSearchCV
cmap_light = ListedColormap(['#FFAAAA', '#AAFFAA', '#AAAAFF'])
cmap_bold = ListedColormap(['#FF0000', '#00FF00', '#0000FF'])
cm = plt.cm.RdBu
cm_bright = ListedColormap(['#FF0000', '#0000FF'])
def cv_optimize(clf, parameters, X, y, n_jobs=1, n_folds=5, score_func=None):
""" Оптимизируем гиперпараметры классификатора с помощью Grid Search.
Перебираем все сочетания предложенных параметров и смотрим какое из них даст наилучший
результат (в среднем после кроссвалидации).
Parameters
----------
clf : sklearn.base.BaseEstimator, sklearn.base.ClassifierMixin
Объект-классификатор. Предполагается имплементация score и fit методов.
parameters : dict
Перебираемые параметры в виде {параметр1:[значение1_1, значение1_2],параметр2:[...]}
X : numpy.ndarray
Список спиской, данные признаков классификатора. Каждый элемент списка представляет
запись исходного датасета.
y : numpy.ndarray
Данные целевой колонки
n_jobs : int
Количество одновременно запускаемых параллельно задач.
n_folds : int
Параметр кроссвалидации
score_func : string or callable, optional
Функция оценки результата, принимающая классификатор,
X и Y (предикторы и целевую колонку).
Стандартные функции описаны в sklearn Model Evaluation docs.
При отсутствии используется clf.score
Returns
-------
sklearn.base.ClassifierMixin
Классификатор с оптимальными (из предоставленных) гиперпараметрами.
"""
if score_func:
gs = GridSearchCV(clf, param_grid=parameters, cv=n_folds, n_jobs=n_jobs, scoring=score_func)
else:
gs = GridSearchCV(clf, param_grid=parameters, n_jobs=n_jobs, cv=n_folds)
gs.fit(X, y)
print "BEST", gs.best_params_, gs.best_score_
best = gs.best_estimator_
return best
def do_classify(clf, parameters, indf, featurenames, targetname, target1val, mask=None,
reuse_split=None, score_func=None, n_folds=5, n_jobs=1):
""" Провести бинарную классификацию данных с оптимальными параметрами и вывести оценку точности
классификатора на тренировочных и тестовых данных и confusion matrix.
Parameters
----------
clf : sklearn.base.BaseEstimator, sklearn.base.ClassifierMixin
Объект-классификатор.
parameters : dict
Перебираемые параметры в виде {параметр1:[значение1_1, значение1_2],параметр2:[...]}
indf : pandas.DataFrame
Данные для обучения
featurenames : list of str
Заголовки колонок датасета, которые мы используем для обучения
targetname : str
Заголовок целевой колонки
target1val : str
Значение в целевой колонке которое будет считаться классом 1 (остальные - 0)
mask : list of bool, optional
Маска для отделения тестовых данных, от данных обучения.
True для строк которые будут использованы для обучения, False для оценки.
При использовании reuse_split игнорируется
reuse_split : dict, optional
Использовать предварительно разделенные данные, ключи Xtrain, Xtest, ytrain, ytest.
score_func : callable, optional
Функция оценки результата, принимающая векторы Y и Y' (цель обучения и предсказания).
При отсутствии используется clf.score
n_jobs : int
Количество одновременно запускаемых параллельно задач.
n_folds : int
Параметр кроссвалидации
Returns
-------
clf : sklearn.base.ClassifierMixin
Обученый классификатор.
Xtrain, ytrain, Xtest, ytest : numpy.ndarray
Данные использованного деления.
"""
subdf = indf[featurenames]
X = subdf.values
y = (indf[targetname].values == target1val) * 1
if mask != None:
print "using mask"
Xtrain, Xtest, ytrain, ytest = X[mask], X[~mask], y[mask], y[~mask]
if reuse_split != None:
print "using reuse split"
Xtrain, Xtest, ytrain, ytest = reuse_split['Xtrain'], reuse_split['Xtest'], reuse_split[
'ytrain'], reuse_split['ytest']
if parameters:
clf = cv_optimize(clf, parameters, Xtrain, ytrain, n_jobs=n_jobs, n_folds=n_folds,
score_func=score_func)
clf = clf.fit(Xtrain, ytrain)
training_accuracy = clf.score(Xtrain, ytrain)
test_accuracy = clf.score(Xtest, ytest)
print "############# based on standard predict ################"
print "Accuracy on training data: %0.2f" % (training_accuracy)
print "Accuracy on test data: %0.2f" % (test_accuracy)
print confusion_matrix(ytest, clf.predict(Xtest))
print "########################################################"
return clf, Xtrain, ytrain, Xtest, ytest
def points_plot(ax, Xtr, Xte, ytr, yte, clf, mesh=True, alpha=0.3, psize=10):
""" Вывести диаграмму рассеяния по двум первым переменным датасета
с визуализацией классификатора.
Точки тренировочных данных обозначены кружками, тестовых - квадратами.
Parameters
----------
ax : matplotlib.axis.Axes
Текущий график.
Xtr : numpy.ndarray
Тренировочные данные признаков.
Xte : numpy.ndarray
Тестовые данные признаков.
ytr : numpy.ndarray
Тренировочные данные целевой колонки.
yte : numpy.ndarray
Тестовые данные целевой колонки.
clf : sklearn.base.BaseEstimator, sklearn.base.ClassifierMixin
Визуализируемый классификатор.
mesh : bool
Выводить ли сетку на фоне?
alpha : float
Мера непрозрачности точек, от 0 до 1
psize : int
Размер точек данных
Returns
-------
ax : matplotlib.axis.Axes
Текущий график.
xx, yy : numpy.ndarray
Значения координатной сетки.
"""
X = np.concatenate((Xtr, Xte))
x_min, x_max = X[:, 0].min() - .5, X[:, 0].max() + .5
y_min, y_max = X[:, 1].min() - .5, X[:, 1].max() + .5
xx, yy = np.meshgrid(np.linspace(x_min, x_max, 100),
np.linspace(y_min, y_max, 100))
if mesh:
Z = clf.predict(np.c_[xx.ravel(), yy.ravel()])
Z = Z.reshape(xx.shape)
plt.pcolormesh(xx, yy, Z, cmap=cmap_light, alpha=alpha, axes=ax)
ax.scatter(Xtr[:, 0], Xtr[:, 1], c=ytr - 1, cmap=cmap_bold, s=psize, alpha=alpha, edgecolor="k")
ax.scatter(Xte[:, 0], Xte[:, 1], c=yte - 1, cmap=cmap_bold, s=psize + 10, alpha=alpha, marker="s")
ax.set_xlim(xx.min(), xx.max())
ax.set_ylim(yy.min(), yy.max())
return ax, xx, yy
def points_plot_prob(ax, Xtr, Xte, ytr, yte, clf,
ccolor=cm, psize=10, alpha=0.1, prob=True):
"""
Parameters
----------
ax : matplotlib.axis.Axes
Текущий график.
Xtr : numpy.ndarray
Тренировочные данные признаков.
Xte : numpy.ndarray
Тестовые данные признаков.
ytr : numpy.ndarray
Тренировочные данные целевой колонки.
yte : numpy.ndarray
Тестовые данные целевой колонки.
clf : sklearn.base.BaseEstimator, sklearn.base.ClassifierMixin
Визуализируемый классификатор.
ccolor : colormap
Цветовая схема для линий контуров
alpha : float
Мера непрозрачности точек, от 0 до 1
psize : int
Размер точек данных
prob : bool
True для классификаторов возвращающих вероятность, False - для дискриминаторов.
Returns
-------
ax : matplotlib.axis.Axes
Текущий график.
"""
ax, xx, yy = points_plot(ax, Xtr, Xte, ytr, yte, clf, mesh=False, psize=psize, alpha=alpha)
if prob:
Z = clf.predict_proba(np.c_[xx.ravel(), yy.ravel()])[:, 1]
else:
Z = clf.decision_function(np.c_[xx.ravel(), yy.ravel()])
Z = Z.reshape(xx.shape)
plt.contourf(xx, yy, Z, cmap=ccolor, alpha=.2, axes=ax)
cs2 = plt.contour(xx, yy, Z, cmap=ccolor, alpha=.6, axes=ax)
plt.clabel(cs2, fmt='%2.1f', colors='k', fontsize=14, axes=ax)
return ax