Полуподдерживаемые классификаторы на наборе данных Iris

Введение

В этом лабораторном занятии мы будем исследовать полуподдерживаемые классификаторы на наборе данных Iris. Мы сравним границы решения, сгенерированные Label Spreading, Self-training и Support Vector Machine (SVM) на наборе данных Iris. Мы будем использовать scikit-learn, популярную библиотеку машинного обучения на Python, для реализации классификаторов и визуализации границ решения.

Советы по работе с ВМ

После запуска ВМ нажмите в левом верхнем углу, чтобы переключиться на вкладку Notebook и получить доступ к Jupyter Notebook для практики.

Иногда вам может потребоваться подождать несколько секунд, пока Jupyter Notebook не загрузится полностью. Валидация операций не может быть автоматизирована из-за ограничений Jupyter Notebook.

Если вы сталкиваетесь с проблемами во время обучения, не стесняйтесь обращаться к Labby. Оставьте отзыв после занятия, и мы оперативно решим проблему для вас.

Skills Graph

Загрузка набора данных Iris и разделение данных

Мы загрузим набор данных Iris, который широко используется в машинном обучении для задач классификации. В наборе данных содержится 150 образцов цветов Ириса, и для каждого образца четыре признака: длина чашелистика, ширина чашелистика, длина лепестка и ширина лепестка. Мы разделим набор данных на входные признаки и целевые метки.

import numpy as np
import matplotlib.pyplot as plt
from sklearn import datasets

## Load the Iris dataset
iris = datasets.load_iris()

## Split the dataset into input features and target labels
X = iris.data[:, :2] ## We will only use the first two features for visualization purposes
y = iris.target

Настройка классификаторов Label Spreading

Мы настроим три классификатора Label Spreading с разными процентами помеченных данных: 30%, 50% и 100%. Label Spreading - это алгоритм полуподдерживаемого обучения, который распространяет метки из помеченных в не помеченные точки данных на основе сходства между ними.

from sklearn.semi_supervised import LabelSpreading

## Set up the Label Spreading classifiers
rng = np.random.RandomState(0)
y_rand = rng.rand(y.shape[0])
y_30 = np.copy(y)
y_30[y_rand < 0.3] = -1  ## set random samples to be unlabeled
y_50 = np.copy(y)
y_50[y_rand < 0.5] = -1
ls30 = (LabelSpreading().fit(X, y_30), y_30, "Label Spreading 30% data")
ls50 = (LabelSpreading().fit(X, y_50), y_50, "Label Spreading 50% data")
ls100 = (LabelSpreading().fit(X, y), y, "Label Spreading 100% data")

Настройка классификаторов Self-training

Мы настроим два классификатора Self-training с разными процентами помеченных данных: 30% и 50%. Self-training - это алгоритм полуподдерживаемого обучения, который обучает классификатор на помеченных данных и затем использует его для предсказания меток не помеченных данных. Самые уверенные предсказания добавляются в помеченные данные, и процесс повторяется до сходимости.

from sklearn.semi_supervised import SelfTrainingClassifier
from sklearn.svm import SVC

## Set up the Self-training classifiers
base_classifier = SVC(kernel="rbf", gamma=0.5, probability=True)
st30 = (
    SelfTrainingClassifier(base_classifier).fit(X, y_30),
    y_30,
    "Self-training 30% data",
)
st50 = (
    SelfTrainingClassifier(base_classifier).fit(X, y_50),
    y_50,
    "Self-training 50% data",
)

Настройка классификатора SVM

Мы настроим классификатор SVM с ядром радиальной базисной функции (RBF). SVM - это алгоритм обучения с учителем, который находит оптимальную гиперплоскость, которая разделяет данные на разные классы.

from sklearn.svm import SVC

## Set up the SVM classifier
rbf_svc = (SVC(kernel="rbf", gamma=0.5).fit(X, y), y, "SVC with rbf kernel")

Визуализация границ решения

Мы создадим сетку точек, которая охватывает пространство входных признаков, и будем использовать каждый классификатор для предсказания меток для точек в сетке. Затем мы построим границы решения и помеченные точки данных.

## Create a mesh grid to plot in
h = 0.02
x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1
y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1
xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h))

## Define a color map for the labels
color_map = {-1: (1, 1, 1), 0: (0, 0, 0.9), 1: (1, 0, 0), 2: (0.8, 0.6, 0)}

## Set up the classifiers
classifiers = (ls30, st30, ls50, st50, ls100, rbf_svc)

## Plot the decision boundaries and labeled data points for each classifier
for i, (clf, y_train, title) in enumerate(classifiers):
    ## Plot the decision boundary
    plt.subplot(3, 2, i + 1)
    Z = clf.predict(np.c_[xx.ravel(), yy.ravel()])

    ## Put the result into a color plot
    Z = Z.reshape(xx.shape)
    plt.contourf(xx, yy, Z, cmap=plt.cm.Paired)
    plt.axis("off")

    ## Plot the labeled data points
    colors = [color_map[y] for y in y_train]
    plt.scatter(X[:, 0], X[:, 1], c=colors, edgecolors="black")

    plt.title(title)

plt.suptitle("Unlabeled points are colored white", y=0.1)
plt.show()

Резюме

В этом практическом занятии мы изучили полуподдерживаемые классификаторы на наборе данных Iris. Мы сравнили границы решения, сгенерированные Label Spreading, Self-training и SVM на наборе данных Iris. Мы использовали scikit-learn для реализации классификаторов и визуализации границ решения. Мы обнаружили, что Label Spreading и Self-training могут обучать хорошие границы решения даже при наличии небольшого количества помеченных данных.