README.md

Cuisine classifiers 1

在本课中，您将使用上一课中保存的关于菜系的平衡、干净数据集。

您将使用该数据集和各种分类器来_根据一组食材预测给定的国家菜系_。在此过程中，您将进一步了解算法在分类任务中的一些应用方式。

课前测验

准备工作

假设您已经完成了第1课，请确保在这四节课的根目录 /data 文件夹下存在一个_cleaned_cuisines.csv_文件。

练习 - 预测国家菜系

1. 在本课的_notebook.ipynb_文件夹中，导入该文件以及 Pandas 库：

   import pandas as pd
   cuisines_df = pd.read_csv("../data/cleaned_cuisines.csv")
   cuisines_df.head()

   数据如下所示：

	Unnamed: 0	cuisine	almond	angelica	anise	anise_seed	apple	apple_brandy	apricot	armagnac	...	whiskey	white_bread	white_wine	whole_grain_wheat_flour	wine	wood	yam	yeast	yogurt	zucchini
0	0	indian	0	0	0	0	0	0	0	0	...	0	0	0	0	0	0	0	0	0	0
1	1	indian	1	0	0	0	0	0	0	0	...	0	0	0	0	0	0	0	0	0	0
2	2	indian	0	0	0	0	0	0	0	0	...	0	0	0	0	0	0	0	0	0	0
3	3	indian	0	0	0	0	0	0	0	0	...	0	0	0	0	0	0	0	0	0	0
4	4	indian	0	0	0	0	0	0	0	0	...	0	0	0	0	0	0	0	0	1	0

1. 现在，导入更多库：

   from sklearn.linear_model import LogisticRegression
   from sklearn.model_selection import train_test_split, cross_val_score
   from sklearn.metrics import accuracy_score,precision_score,confusion_matrix,classification_report, precision_recall_curve
   from sklearn.svm import SVC
   import numpy as np

2. 将X和y变量划分为两个数据框用于训练。cuisine 可以作为标签数据框：

   cuisines_label_df = cuisines_df['cuisine']
   cuisines_label_df.head()

   它看起来像这样：

   0    indian
   1    indian
   2    indian
   3    indian
   4    indian
   Name: cuisine, dtype: object
   

3. 删除 Unnamed: 0 和 cuisine 列，调用 drop()。将剩余数据另存为训练特征：

   cuisines_feature_df = cuisines_df.drop(['Unnamed: 0', 'cuisine'], axis=1)
   cuisines_feature_df.head()

   你的特征看起来像这样：

	almond	angelica	anise	anise_seed	apple	apple_brandy	apricot	armagnac	artemisia	artichoke	...	whiskey	white_bread	white_wine	whole_grain_wheat_flour	wine	wood	yam	yeast	yogurt	zucchini
0	0	0	0	0	0	0	0	0	0	0	...	0	0	0	0	0	0	0	0	0	0
1	1	0	0	0	0	0	0	0	0	0	...	0	0	0	0	0	0	0	0	0	0
2	0	0	0	0	0	0	0	0	0	0	...	0	0	0	0	0	0	0	0	0	0
3	0	0	0	0	0	0	0	0	0	0	...	0	0	0	0	0	0	0	0	0	0
4	0	0	0	0	0	0	0	0	0	0	...	0	0	0	0	0	0	0	0	1	0

现在，您已经准备好训练模型了！

选择分类器

既然数据已经清理好并准备好训练，您需要决定使用哪种算法。

Scikit-learn 将分类归类为监督学习，在该类别下您会发现许多分类方法。种类繁多 初看令人眼花缭乱。以下方法都包括分类技术：

• 线性模型
• 支持向量机
• 随机梯度下降
• 最近邻居
• 高斯过程
• 决策树
• 集成方法（投票分类器）
• 多类和多输出算法（多类和多标签分类，多类-多输出分类）

您也可以使用神经网络进行分类，但这超出本课范围。

选择哪个分类器？

那么，应该选择哪个分类器？通常，运行多个分类器然后寻找好的结果是测试方法之一。Scikit-learn 提供了一个并排比较的示例数据集，对比了 KNeighbors、两种 SVC、GaussianProcessClassifier、DecisionTreeClassifier、RandomForestClassifier、MLPClassifier、AdaBoostClassifier、GaussianNB 和 QuadraticDiscrinationAnalysis，并以图形方式展示结果：

由 Scikit-learn 文档生成的图表

AutoML 通过在云端运行这些比较问题，帮你轻松解决此问题，助你为数据选择最佳算法。试试这里

更好的方法

不过，比胡乱猜测更好的方法是参考这个可下载的机器学习备忘单。在这里，我们发现针对多类问题，有一些选择：

微软算法备忘单中的一部分，详述多类分类选项

✅ 下载此备忘单，打印并挂在墙上！

推理

让我们看是否可以根据已有的限制推理不同的方法：

• 神经网络过于庞大。鉴于我们干净但数据量少的数据集，以及局域笔记本的本地训练，神经网络过于庞大，不适合此任务。
• 不是两类分类器。我们不使用二分类器，所以排除了一对多方法。
• 决策树或逻辑回归可能适用。决策树可能行得通，或者使用逻辑回归处理多类数据。
• 多类提升决策树解决不同问题。多类提升决策树更适合非参数任务，例如设计排名的任务，因此对我们并不适用。

使用 Scikit-learn

我们将使用 Scikit-learn 来分析数据。但 Scikit-learn 中逻辑回归有多种用法。请看看它的参数说明。

实质上有两个重要参数需要指定：multi_class 和 solver，分别用于控制多分类方案和求解算法。并非所有 solver 都能与所有 multi_class 组合使用。

文档说明，在多类情况下，训练算法：

• 使用一对多（OvR）方案，如果 multi_class 设为 ovr
• 使用交叉熵损失，如果 multi_class 设为 multinomial。（当前 multinomial 仅被 'lbfgs', 'sag', 'saga', 'newton-cg' 求解器支持）"

🎓 此处的“scheme”（方案）可以是“ovr”（一对多）或“multinomial”（多项式）。由于逻辑回归本质上设计为二分类，这些方案帮助它更好地处理多类分类任务。来源

🎓 “solver” 指的是“在优化问题中使用的算法”。来源

Scikit-learn 提供下表说明不同求解器如何处理不同数据结构带来的挑战：

练习 - 拆分数据

由于您最近在前一课学习了逻辑回归，我们可专注于逻辑回归作为首次训练尝试。调用 train_test_split() 将数据拆分为训练组和测试组：

X_train, X_test, y_train, y_test = train_test_split(cuisines_feature_df, cuisines_label_df, test_size=0.3)

练习 - 应用逻辑回归

由于使用的是多分类情况，需要选择使用哪个_方案_以及设置哪个_求解器_。使用带有多类设置和liblinear求解器的 LogisticRegression 进行训练。

1. 创建一个 multi_class 设为 ovr，solver 设为 liblinear 的逻辑回归：

   lr = LogisticRegression(multi_class='ovr',solver='liblinear')
   model = lr.fit(X_train, np.ravel(y_train))
   
   accuracy = model.score(X_test, y_test)
   print ("Accuracy is {}".format(accuracy))

   ✅ 尝试使用 lbfgs 这类常被设为默认的求解器

   注意，当需要时，使用 Pandas 的ravel函数将数据扁平化。

   准确率超过 80%，效果不错！

2. 通过测试一行数据（第50行）来查看该模型的实际表现：

   print(f'ingredients: {X_test.iloc[50][X_test.iloc[50]!=0].keys()}')
   print(f'cuisine: {y_test.iloc[50]}')

   打印结果如下：

   ingredients: Index(['cilantro', 'onion', 'pea', 'potato', 'tomato', 'vegetable_oil'], dtype='object')
   cuisine: indian
   

   ✅ 尝试使用不同行号并检查结果

3. 深入挖掘，您可以检查此预测的准确性：

   test= X_test.iloc[50].values.reshape(-1, 1).T
   proba = model.predict_proba(test)
   classes = model.classes_
   resultdf = pd.DataFrame(data=proba, columns=classes)
   
   topPrediction = resultdf.T.sort_values(by=[0], ascending = [False])
   topPrediction.head()

   结果被打印出来——印度菜是模型的最佳猜测，且概率较高：

   	0
   indian	0.715851
   chinese	0.229475
   japanese	0.029763
   korean	0.017277
   thai	0.007634

   ✅ 你能解释为什么模型相当确信这是印度菜吗？

4. 通过打印分类报告获取更多细节，就像你在回归课程中所做的那样：

   y_pred = model.predict(X_test)
   print(classification_report(y_test,y_pred))

   	precision	recall	f1-score	support
   chinese	0.73	0.71	0.72	229
   indian	0.91	0.93	0.92	254
   japanese	0.70	0.75	0.72	220
   korean	0.86	0.76	0.81	242
   thai	0.79	0.85	0.82	254
   accuracy			0.80	1199
   macro avg	0.80	0.80	0.80	1199
   weighted avg	0.80	0.80	0.80	1199

🚀挑战

在本课中，您使用清理过的数据构建了一个机器学习模型，该模型可以根据一系列配料预测国家菜系。花些时间阅读 Scikit-learn 提供的众多数据分类选项。深入了解“solver”的概念，以理解其背后的工作原理。

课后测验

复习与自学

深入研究这节课中逻辑回归背后的数学原理

作业

学习解算器

---

免责声明：
本文档使用 AI 翻译服务 Co-op Translator 进行翻译。尽管我们努力确保准确性，但请注意，自动翻译可能包含错误或不准确之处。原始文档的母语版本应被视为权威来源。对于重要信息，建议采用专业人工翻译。对于因使用本翻译而引起的任何误解或误释，我们不承担任何责任。