Selección del modelo Lasso: Optimización de modelos de aprendizaje automático

Introducción

En este laboratorio, aprenderemos a usar el estimador LassoLarsIC para seleccionar el mejor modelo Lasso utilizando los criterios AIC y BIC. Usaremos el conjunto de datos de diabetes de scikit-learn.

Consejos sobre la VM

Una vez que se haya iniciado la VM, haga clic en la esquina superior izquierda para cambiar a la pestaña Cuaderno y acceder a Jupyter Notebook para practicar.

A veces, es posible que tenga que esperar unos segundos a que Jupyter Notebook termine de cargarse. La validación de las operaciones no se puede automatizar debido a las limitaciones de Jupyter Notebook.

Si tiene problemas durante el aprendizaje, no dude en preguntar a Labby. Deje sus comentarios después de la sesión y lo resolveremos rápidamente para usted.

Skills Graph

%%%%{init: {'theme':'neutral'}}%%%% flowchart RL sklearn(("Sklearn")) -.-> sklearn/CoreModelsandAlgorithmsGroup(["Core Models and Algorithms"]) sklearn(("Sklearn")) -.-> sklearn/DataPreprocessingandFeatureEngineeringGroup(["Data Preprocessing and Feature Engineering"]) sklearn(("Sklearn")) -.-> sklearn/UtilitiesandDatasetsGroup(["Utilities and Datasets"]) ml(("Machine Learning")) -.-> ml/FrameworkandSoftwareGroup(["Framework and Software"]) sklearn/CoreModelsandAlgorithmsGroup -.-> sklearn/linear_model("Linear Models") sklearn/DataPreprocessingandFeatureEngineeringGroup -.-> sklearn/preprocessing("Preprocessing and Normalization") sklearn/DataPreprocessingandFeatureEngineeringGroup -.-> sklearn/pipeline("Pipeline") sklearn/UtilitiesandDatasetsGroup -.-> sklearn/datasets("Datasets") ml/FrameworkandSoftwareGroup -.-> ml/sklearn("scikit-learn") subgraph Lab Skills sklearn/linear_model -.-> lab-49190{{"Selección del modelo Lasso"}} sklearn/preprocessing -.-> lab-49190{{"Selección del modelo Lasso"}} sklearn/pipeline -.-> lab-49190{{"Selección del modelo Lasso"}} sklearn/datasets -.-> lab-49190{{"Selección del modelo Lasso"}} ml/sklearn -.-> lab-49190{{"Selección del modelo Lasso"}} end

Cargar los datos

Cargaremos el conjunto de datos de diabetes de scikit-learn utilizando el método load_diabetes.

from sklearn.datasets import load_diabetes

X, y = load_diabetes(return_X_y=True, as_frame=True)

Preprocesar los datos

Escalaremos el conjunto de datos utilizando el método StandardScaler y ajustaremos el estimador LassoLarsIC con el criterio AIC.

from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LassoLarsIC
from sklearn.pipeline import make_pipeline

lasso_lars_ic = make_pipeline(StandardScaler(), LassoLarsIC(criterion="aic")).fit(X, y)

Reescalar AIC y BIC

Necesitamos reescalar el AIC y el BIC para que estén de acuerdo con la definición en [ZHT2007]_.

def zou_et_al_criterion_rescaling(criterion, n_samples, noise_variance):
    """Reescalar el criterio de información para seguir la definición de Zou et al."""
    return criterion - n_samples * np.log(2 * np.pi * noise_variance) - n_samples

aic_criterion = zou_et_al_criterion_rescaling(
    lasso_lars_ic[-1].criterion_,
    n_samples,
    lasso_lars_ic[-1].noise_variance_,
)

index_alpha_path_aic = np.flatnonzero(
    lasso_lars_ic[-1].alphas_ == lasso_lars_ic[-1].alpha_
)[0]

Ajustar el estimador LassoLarsIC con el criterio BIC

Ahora ajustaremos el estimador LassoLarsIC con el criterio BIC.

lasso_lars_ic.set_params(lassolarsic__criterion="bic").fit(X, y)

bic_criterion = zou_et_al_criterion_rescaling(
    lasso_lars_ic[-1].criterion_,
    n_samples,
    lasso_lars_ic[-1].noise_variance_,
)

index_alpha_path_bic = np.flatnonzero(
    lasso_lars_ic[-1].alphas_ == lasso_lars_ic[-1].alpha_
)[0]

Graficar el criterio AIC y BIC

Graficaremos el criterio AIC y BIC y el parámetro de regularización seleccionado posteriormente.

plt.plot(aic_criterion, color="tab:blue", marker="o", label="Criterio AIC")
plt.plot(bic_criterion, color="tab:orange", marker="o", label="Criterio BIC")
plt.vlines(
    index_alpha_path_bic,
    aic_criterion.min(),
    aic_criterion.max(),
    color="black",
    linestyle="--",
    label="Alpha seleccionado",
)
plt.legend()
plt.ylabel("Criterio de información")
plt.xlabel("Secuencia del modelo Lasso")
_ = plt.title("Selección del modelo Lasso a través de AIC y BIC")

Resumen

En este laboratorio, aprendimos cómo usar el estimador LassoLarsIC para seleccionar el mejor modelo Lasso utilizando los criterios AIC y BIC. También aprendimos cómo reescalar AIC y BIC para que estén de acuerdo con la definición en [ZHT2007]_.