Введение
В этом практическом занятии демонстрируется задача классификации многонаправленных документов с использованием scikit-learn. Набор данных генерируется случайным образом по следующему процессу:
- Выбрать количество меток: n ~ Poisson(n_labels)
- N раз выбрать класс c: c ~ Multinomial(theta)
- Выбрать длину документа: k ~ Poisson(length)
- K раз выбрать слово: w ~ Multinomial(theta_c)
В этом процессе используется метод отбора с отклонением, чтобы гарантировать, что n больше 2 и длина документа никогда не равна нулю. Также отклоняются уже выбранные классы. Документы, которые относятся к обоим классам, изображаются, окруженными двумя цветными кругами.
Советы по использованию ВМ
После запуска ВМ нажмите в левом верхнем углу, чтобы переключиться на вкладку Notebook и получить доступ к Jupyter Notebook для практики.
Иногда 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 при обучении, не стесняйтесь обращаться к Labby. Оставьте отзыв после занятия, и мы оперативно решим проблему для вас.
Импорт библиотек
В этом шаге мы импортируем необходимые библиотеки: numpy, matplotlib, make_multilabel_classification из sklearn.datasets, OneVsRestClassifier и SVC из sklearn.multiclass, PCA и CCA из sklearn.decomposition.
import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import make_multilabel_classification
from sklearn.multiclass import OneVsRestClassifier
from sklearn.svm import SVC
from sklearn.decomposition import PCA
from sklearn.cross_decomposition import CCA
Определение функции для построения графиков
В этом шаге мы определяем функции plot_hyperplane и plot_subfigure. Функция plot_hyperplane используется для получения разделяющей гиперплоскости, в то время как функция plot_subfigure используется для построения подграфиков.
def plot_hyperplane(clf, min_x, max_x, linestyle, label):
## get the separating hyperplane
w = clf.coef_[0]
a = -w[0] / w[1]
xx = np.linspace(min_x - 5, max_x + 5) ## make sure the line is long enough
yy = a * xx - (clf.intercept_[0]) / w[1]
plt.plot(xx, yy, linestyle, label=label)
def plot_subfigure(X, Y, subplot, title, transform):
if transform == "pca":
X = PCA(n_components=2).fit_transform(X)
elif transform == "cca":
X = CCA(n_components=2).fit(X, Y).transform(X)
else:
raise ValueError
min_x = np.min(X[:, 0])
max_x = np.max(X[:, 0])
min_y = np.min(X[:, 1])
max_y = np.max(X[:, 1])
classif = OneVsRestClassifier(SVC(kernel="linear"))
classif.fit(X, Y)
plt.subplot(2, 2, subplot)
plt.title(title)
zero_class = np.where(Y[:, 0])
one_class = np.where(Y[:, 1])
plt.scatter(X[:, 0], X[:, 1], s=40, c="gray", edgecolors=(0, 0, 0))
plt.scatter(
X[zero_class, 0],
X[zero_class, 1],
s=160,
edgecolors="b",
facecolors="none",
linewidths=2,
label="Class 1",
)
plt.scatter(
X[one_class, 0],
X[one_class, 1],
s=80,
edgecolors="orange",
facecolors="none",
linewidths=2,
label="Class 2",
)
plot_hyperplane(
classif.estimators_[0], min_x, max_x, "k--", "Boundary\nfor class 1"
)
plot_hyperplane(
classif.estimators_[1], min_x, max_x, "k-.", "Boundary\nfor class 2"
)
plt.xticks(())
plt.yticks(())
plt.xlim(min_x - 0.5 * max_x, max_x + 0.5 * max_x)
plt.ylim(min_y - 0.5 * max_y, max_y + 0.5 * max_y)
if subplot == 2:
plt.xlabel("First principal component")
plt.ylabel("Second principal component")
plt.legend(loc="upper left")
Генерация набора данных
В этом шаге мы генерируем набор данных с использованием функции make_multilabel_classification из sklearn.datasets.
X, Y = make_multilabel_classification(
n_classes=2, n_labels=1, allow_unlabeled=True, random_state=1
)
Построение подграфиков
В этом шаге мы используем функцию plot_subfigure для построения подграфиков.
plt.figure(figsize=(8, 6))
plot_subfigure(X, Y, 1, "With unlabeled samples + CCA", "cca")
plot_subfigure(X, Y, 2, "With unlabeled samples + PCA", "pca")
X, Y = make_multilabel_classification(
n_classes=2, n_labels=1, allow_unlabeled=False, random_state=1
)
plot_subfigure(X, Y, 3, "Without unlabeled samples + CCA", "cca")
plot_subfigure(X, Y, 4, "Without unlabeled samples + PCA", "pca")
plt.subplots_adjust(0.04, 0.02, 0.97, 0.94, 0.09, 0.2)
plt.show()
Резюме
В этом лабаратории было показано решение задачи классификации многоэтикетных документов с использованием scikit - learn. Мы использовали функцию make_multilabel_classification для генерации набора данных и функцию plot_subfigure для построения подграфиков.