Introdução
Este laboratório ilustra o efeito da variação do limiar no auto-aprendizado. O conjunto de dados breast_cancer é carregado, e as etiquetas são excluídas de forma que apenas 50 de 569 amostras tenham etiquetas. Um SelfTrainingClassifier é ajustado neste conjunto de dados, com limiares variáveis.
Dicas da Máquina Virtual
Após o arranque da máquina virtual, clique no canto superior esquerdo para mudar para a aba Notebook para aceder ao Jupyter Notebook para a prática.
Por vezes, pode ser necessário esperar alguns segundos para o Jupyter Notebook terminar o carregamento. A validação das operações não pode ser automatizada devido a limitações no Jupyter Notebook.
Se tiver problemas durante a aprendizagem, não hesite em contactar o Labby. Forneça feedback após a sessão, e resolveremos prontamente o problema para si.
Importar Bibliotecas
import numpy as np
import matplotlib.pyplot as plt
from sklearn import datasets
from sklearn.svm import SVC
from sklearn.model_selection import StratifiedKFold
from sklearn.semi_supervised import SelfTrainingClassifier
from sklearn.metrics import accuracy_score
from sklearn.utils import shuffle
Primeiro, importamos as bibliotecas necessárias para este laboratório.
Carregar Dados
X, y = datasets.load_breast_cancer(return_X_y=True)
X, y = shuffle(X, y, random_state=42)
y_true = y.copy()
y[50:] = -1
total_samples = y.shape[0]
O conjunto de dados breast_cancer é carregado e embaralhado. Em seguida, as etiquetas verdadeiras são copiadas para y_true, e todas as etiquetas são removidas, exceto as primeiras 50 amostras de y. Isto será usado para simular um cenário de aprendizagem semi-supervisionada.
Definir Classificador
base_classifier = SVC(probability=True, gamma=0.001, random_state=42)
Definimos o nosso classificador base como uma Máquina de Vetores de Suporte (SVM) com um valor baixo de gama de 0,001.
Definir Valores de Limiar
x_values = np.arange(0.4, 1.05, 0.05)
x_values = np.append(x_values, 0.99999)
Definimos um array de valores de limiar que variam de 0,4 a 1, com incrementos de 0,05. Em seguida, adicionamos um valor de limiar muito alto, 0,99999, para garantir que incluímos um valor que não resultará em amostras auto-rotuladas.
Definir Arrays para Resultados
scores = np.empty((x_values.shape[0], n_splits))
amount_labeled = np.empty((x_values.shape[0], n_splits))
amount_iterations = np.empty((x_values.shape[0], n_splits))
Definimos arrays para armazenar os resultados do nosso experimento.
Auto-treinamento com Limiares Variáveis
for i, threshold in enumerate(x_values):
self_training_clf = SelfTrainingClassifier(base_classifier, threshold=threshold)
skfolds = StratifiedKFold(n_splits=n_splits)
for fold, (train_index, test_index) in enumerate(skfolds.split(X, y)):
X_train = X[train_index]
y_train = y[train_index]
X_test = X[test_index]
y_test = y[test_index]
y_test_true = y_true[test_index]
self_training_clf.fit(X_train, y_train)
amount_labeled[i, fold] = (
total_samples
- np.unique(self_training_clf.labeled_iter_, return_counts=True)[1][0]
)
amount_iterations[i, fold] = np.max(self_training_clf.labeled_iter_)
y_pred = self_training_clf.predict(X_test)
scores[i, fold] = accuracy_score(y_test_true, y_pred)
Realizamos auto-treinamento com diferentes limiares, utilizando o nosso classificador base e a classe SelfTrainingClassifier do scikit-learn. Usamos validação cruzada estratificada k-fold para dividir os nossos dados em conjuntos de treino e teste. Em seguida, ajustamos o classificador de auto-treinamento no conjunto de treino e calculamos a precisão do classificador no conjunto de teste. Também armazenamos a quantidade de amostras rotuladas e o número de iteração para cada dobra.
Visualizar Resultados
ax1 = plt.subplot(211)
ax1.errorbar(
x_values, scores.mean(axis=1), yerr=scores.std(axis=1), capsize=2, color="b"
)
ax1.set_ylabel("Precisão", color="b")
ax1.tick_params("y", colors="b")
ax2 = ax1.twinx()
ax2.errorbar(
x_values,
amount_labeled.mean(axis=1),
yerr=amount_labeled.std(axis=1),
capsize=2,
color="g",
)
ax2.set_ylim(bottom=0)
ax2.set_ylabel("Quantidade de amostras rotuladas", color="g")
ax2.tick_params("y", colors="g")
ax3 = plt.subplot(212, sharex=ax1)
ax3.errorbar(
x_values,
amount_iterations.mean(axis=1),
yerr=amount_iterations.std(axis=1),
capsize=2,
color="b",
)
ax3.set_ylim(bottom=0)
ax3.set_ylabel("Quantidade de iterações")
ax3.set_xlabel("Limiar")
plt.show()
Plotamos os resultados do nosso experimento usando Matplotlib. O gráfico superior mostra a quantidade de amostras rotuladas disponíveis para o classificador no final do ajuste, bem como a precisão do classificador. O gráfico inferior mostra a última iteração em que uma amostra foi rotulada.
Resumo
Neste laboratório, aprendemos como realizar auto-treinamento com diferentes valores de limiar utilizando a biblioteca scikit-learn. Vimos que o valor de limiar ideal encontra-se entre limiares muito baixos e muito altos, e que a escolha de um valor de limiar apropriado pode resultar em melhorias significativas na precisão.