Introdução
No aprendizado de máquina, a discretização de características é um método para reduzir o número de variáveis contínuas em um conjunto de dados criando intervalos ou bins para representá-las. Este método pode ser útil em casos onde o número de variáveis contínuas é grande e o algoritmo precisa ser simplificado para facilitar a análise. Neste laboratório, demonstraremos a discretização de características em conjuntos de dados sintéticos de classificação.
Dicas da Máquina Virtual
Após o término da inicialização da máquina virtual, clique no canto superior esquerdo para mudar para a aba Notebook para acessar o Jupyter Notebook para praticar.
Às vezes, pode ser necessário aguardar alguns segundos para que o Jupyter Notebook termine de carregar. A validação de operações não pode ser automatizada devido a limitações no Jupyter Notebook.
Se você enfrentar problemas durante o aprendizado, sinta-se à vontade para perguntar ao Labby. Forneça feedback após a sessão e resolveremos o problema para você prontamente.
Importar Bibliotecas
Neste passo, importamos as bibliotecas necessárias para o laboratório. Usaremos a biblioteca scikit-learn para tarefas de aprendizado de máquina, numpy para operações matemáticas e matplotlib para visualização de dados.
import numpy as np
import matplotlib.pyplot as plt
from matplotlib.colors import ListedColormap
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.datasets import make_moons, make_circles, make_classification
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import GridSearchCV
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import KBinsDiscretizer
from sklearn.svm import SVC, LinearSVC
from sklearn.ensemble import GradientBoostingClassifier
from sklearn.utils._testing import ignore_warnings
from sklearn.exceptions import ConvergenceWarning
Preparar os Dados
Neste passo, prepararemos os conjuntos de dados sintéticos de classificação para a discretização de características. Usaremos a biblioteca scikit-learn para gerar três conjuntos de dados diferentes: luas, círculos concêntricos e dados linearmente separáveis.
h = 0.02 ## tamanho do passo na malha
n_samples = 100
datasets = [
make_moons(n_samples=n_samples, noise=0.2, random_state=0),
make_circles(n_samples=n_samples, noise=0.2, factor=0.5, random_state=1),
make_classification(
n_samples=n_samples,
n_features=2,
n_redundant=0,
n_informative=2,
random_state=2,
n_clusters_per_class=1,
),
]
Definir Classificadores e Parâmetros
Neste passo, definiremos os classificadores e os parâmetros a serem usados no processo de discretização de características. Criaremos uma lista de classificadores que inclui regressão logística, máquina de vetores de suporte linear (SVM), classificador de reforço de gradiente e SVM com um kernel de função de base radial. Também definiremos um conjunto de parâmetros para cada classificador a ser usado no algoritmo GridSearchCV.
## lista de (estimador, param_grid), onde param_grid é usado em GridSearchCV
## Os espaços de parâmetros neste exemplo são limitados a uma faixa estreita para reduzir
## o seu tempo de execução. Em um caso de uso real, um espaço de busca mais amplo para os algoritmos
## deve ser usado.
classifiers = [
(
make_pipeline(StandardScaler(), LogisticRegression(random_state=0)),
{"logisticregression__C": np.logspace(-1, 1, 3)},
),
(
make_pipeline(StandardScaler(), LinearSVC(random_state=0, dual="auto")),
{"linearsvc__C": np.logspace(-1, 1, 3)},
),
(
make_pipeline(
StandardScaler(),
KBinsDiscretizer(encode="onehot"),
LogisticRegression(random_state=0),
),
{
"kbinsdiscretizer__n_bins": np.arange(5, 8),
"logisticregression__C": np.logspace(-1, 1, 3),
},
),
(
make_pipeline(
StandardScaler(),
KBinsDiscretizer(encode="onehot"),
LinearSVC(random_state=0, dual="auto"),
),
{
"kbinsdiscretizer__n_bins": np.arange(5, 8),
"linearsvc__C": np.logspace(-1, 1, 3),
},
),
(
make_pipeline(
StandardScaler(), GradientBoostingClassifier(n_estimators=5, random_state=0)
),
{"gradientboostingclassifier__learning_rate": np.logspace(-2, 0, 5)},
),
(
make_pipeline(StandardScaler(), SVC(random_state=0)),
{"svc__C": np.logspace(-1, 1, 3)},
),
]
names = [get_name(e).replace("StandardScaler + ", "") for e, _ in classifiers]
Visualizar os Dados
Neste passo, visualizaremos os conjuntos de dados sintéticos de classificação antes da discretização de características. Plotaremos os pontos de treino e teste para cada conjunto de dados.
fig, axes = plt.subplots(
nrows=len(datasets), ncols=len(classifiers) + 1, figsize=(21, 9)
)
cm_piyg = plt.cm.PiYG
cm_bright = ListedColormap(["#b30065", "#178000"])
## iterar sobre os conjuntos de dados
for ds_cnt, (X, y) in enumerate(datasets):
print(f"\nconjunto de dados {ds_cnt}\n---------")
## dividir em partes de treino e teste
X_train, X_test, y_train, y_test = train_test_split(
X, y, test_size=0.5, random_state=42
)
## criar a malha para as cores de fundo
x_min, x_max = X[:, 0].min() - 0.5, X[:, 0].max() + 0.5
y_min, y_max = X[:, 1].min() - 0.5, X[:, 1].max() + 0.5
xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h))
## plotar primeiro o conjunto de dados
ax = axes[ds_cnt, 0]
if ds_cnt == 0:
ax.set_title("Dados de entrada")
## plotar os pontos de treino
ax.scatter(X_train[:, 0], X_train[:, 1], c=y_train, cmap=cm_bright, edgecolors="k")
## e os pontos de teste
ax.scatter(
X_test[:, 0], X_test[:, 1], c=y_test, cmap=cm_bright, alpha=0.6, edgecolors="k"
)
ax.set_xlim(xx.min(), xx.max())
ax.set_ylim(yy.min(), yy.max())
ax.set_xticks(())
ax.set_yticks(())
Implementar Discretização de Características
Neste passo, implementaremos a discretização de características nos conjuntos de dados utilizando a classe KBinsDiscretizer do scikit-learn. Isto irá discretizar as características criando um conjunto de intervalos e, em seguida, codificando os valores discretos em one-hot. Em seguida, ajustaremos os dados a um classificador linear e avaliaremos o desempenho.
## iterar sobre os classificadores
for est_idx, (name, (estimator, param_grid)) in enumerate(zip(names, classifiers)):
ax = axes[ds_cnt, est_idx + 1]
clf = GridSearchCV(estimator=estimator, param_grid=param_grid)
with ignore_warnings(category=ConvergenceWarning):
clf.fit(X_train, y_train)
score = clf.score(X_test, y_test)
print(f"{name}: {score:.2f}")
## plotar a fronteira de decisão. Para isso, atribuiremos uma cor a cada
## ponto na malha [x_min, x_max]*[y_min, y_max].
if hasattr(clf, "decision_function"):
Z = clf.decision_function(np.column_stack([xx.ravel(), yy.ravel()]))
else:
Z = clf.predict_proba(np.column_stack([xx.ravel(), yy.ravel()]))[:, 1]
## colocar o resultado num gráfico de cores
Z = Z.reshape(xx.shape)
ax.contourf(xx, yy, Z, cmap=cm_piyg, alpha=0.8)
## plotar os pontos de treino
ax.scatter(
X_train[:, 0], X_train[:, 1], c=y_train, cmap=cm_bright, edgecolors="k"
)
## e os pontos de teste
ax.scatter(
X_test[:, 0],
X_test[:, 1],
c=y_test,
cmap=cm_bright,
edgecolors="k",
alpha=0.6,
)
ax.set_xlim(xx.min(), xx.max())
ax.set_ylim(yy.min(), yy.max())
ax.set_xticks(())
ax.set_yticks(())
if ds_cnt == 0:
ax.set_title(name.replace(" + ", "\n"))
ax.text(
0.95,
0.06,
(f"{score:.2f}").lstrip("0"),
size=15,
bbox=dict(boxstyle="round", alpha=0.8, facecolor="white"),
transform=ax.transAxes,
horizontalalignment="right",
)
Visualizar Resultados
Neste passo, visualizaremos os resultados do processo de discretização de características. Plotaremos a precisão da classificação no conjunto de teste para cada classificador e conjunto de dados.
plt.tight_layout()
## Ajustar o espaçamento acima da figura
plt.subplots_adjust(top=0.90)
suptitles = [
"Classificadores Lineares",
"Discretização de Características e Classificadores Lineares",
"Classificadores Não-Lineares",
]
for i, suptitle in zip([1, 3, 5], suptitles):
ax = axes[0, i]
ax.text(
1.05,
1.25,
suptitle,
transform=ax.transAxes,
horizontalalignment="center",
size="x-large",
)
plt.show()
Resumo
Neste laboratório, demonstramos a discretização de características em conjuntos de dados sintéticos de classificação utilizando o scikit-learn. Preparámos os dados, definimos os classificadores e parâmetros, implementámos a discretização de características e visualizamos os resultados. Esta técnica de pré-processamento pode ser útil para reduzir a complexidade de um conjunto de dados e melhorar o desempenho de classificadores lineares. No entanto, deve ser utilizada com cautela e em conjunto com outras técnicas para evitar o sobreajuste.