[PYTHON] Ich habe PyCaret2.0 (pycaret-nightly) ausprobiert.

Einführung

• PyCaret2.0 wurde als Nightly-Build-Version veröffentlicht und ich habe es versucht.
• Für PyCaret selbst überprüfen Sie bitte Folgendes, was ich zuvor gepostet habe.
• Ich habe versucht, das Modell mit der Low-Code-Bibliothek für maschinelles Lernen "PyCaret" zu visualisieren
• In Version 2 scheint die Vorverarbeitung für unausgeglichene Daten wie unten gezeigt hinzugefügt zu werden, daher würde ich es gerne versuchen.

Wie man es versucht

• Bitte pip.

pip install pycaret-nightly

• pip, um Version 2.0.0 zu testen.

Versuchen

Vorverarbeitung für unausgeglichene Daten

• v2 fügt eine Vorverarbeitung für unausgeglichene (nur wenige positive und negative) Daten in der binären Klassifizierung hinzu.
• Die Spezifikationsmethode ist einfach. Geben Sie beim Einrichten ** fix_imbalance = True ** im Argument an.

from pycaret.classification import *
exp1 = setup(
    data, 
    target = 'default',
    fix_imbalance=True #Fügen Sie diese Zeile hinzu
)

• Diese Spezifikation verarbeitet die unausgeglichenen Daten vor.

Vorbehandlung durchgeführt (SMOTE)

• Wie im obigen Bild gezeigt, scheint SMOTE (** S ** ynthetic ** M ** inority ** O ** ver-Sampling ** TE ** chnique) die Standardeinstellung zu sein.
• In Bezug auf SMOTE hat Qiita auch einen Kommentarartikel, daher werde ich darauf verlinken.
• Datenerweiterung: Versuchen Sie, eine kleine Anzahl von Daten mit SMOTE zu erhöhen
• Erläuterung: Erläuterung der Oversampling-Methode (SMOTE, ADASYN, Borderline-SMOTE, SMOTE auf sicherer Ebene)

Andere Vorbehandlung

• Wie im Eröffnungsartikel erwähnt, scheint es auch ** ADASYN ** und ** Random Over Sampler ** zu unterstützen.
• Intern in v2 (Nightly Build-Version), in Dependent Library, unausgeglichen- learn wurde hinzugefügt.
• Die Dokumentzeichenfolge enthält außerdem die folgende Beschreibung.

fix_imbalance_method: obj, default = None
When fix_imbalance is set to True and fix_imbalance_method is None, 'smote' is applied 
by default to oversample minority class during cross validation. This parameter
accepts any module from 'imblearn' that supports 'fit_resample' method.

So legen Sie eine andere Vorverarbeitung fest

• Ich möchte die imblearn-Klasse gemäß den Anweisungen in der obigen Dokumentzeichenfolge angeben.
• Importieren und spezifizieren Sie den aus imblearn.over_sampling angegebenen Algorithmus over_sampling.

from pycaret.classification import *
from imblearn.over_sampling import ADASYN, BorderlineSMOTE, KMeansSMOTE, RandomOverSampler, SMOTE, SMOTENC, SVMSMOTE
exp1 = setup(
    data, 
    target = 'default',
    fix_imbalance=True,
    fix_imbalance_method=ADASYN() #In dieser Zeile angegeben
)

Spezifizierter Algorithmus

• Es ist wie folgt.
• imblearn.over_sampling.ADASYN
• imblearn.over_sampling.BorderlineSMOTE
• imblearn.over_sampling.KMeansSMOTE
• imblearn.over_sampling.RandomOverSampler
• imblearn.over_sampling.SMOTE * Standard
• imblearn.over_sampling.SVMSMOTE

Einfallsreichtum bei der Bewertung eines Modells

• MCC (Matthews Correlation Coefficient) wurde zusammen mit der Implementierung der Vorverarbeitung für unausgeglichene Daten zur Genauigkeitsliste hinzugefügt.
• Wenn eine Minderheitsklasse als positives Beispiel verwendet wird, ist das F-Maß in Ordnung, aber selbst in Situationen, in denen eine solche Berücksichtigung nicht berücksichtigt wird, kann MCC die Lerngenauigkeit für unausgeglichene Daten korrekt bewerten, was gut ist.
• Für die Beziehung zwischen F-Measure und MCC zum Zeitpunkt unausgeglichener Daten ist dieser Blog hilfreich. Verknüpfen Sie ihn daher. Ich werde das machen.

Schließlich

• Dieses Mal haben wir die Korrespondenz zu v2-Ungleichgewichtsdaten eingeführt.
• Darüber hinaus scheint die Unterstützung von mlflow geplant zu sein, und ich freue mich auf die offizielle Veröffentlichung von v2.
• Dies ist ein grober Artikel, aber danke, dass Sie bis zum Ende bei uns bleiben.