[PYTHON] J'ai essayé PyCaret2.0 (pycaret-nightly)

introduction

• PyCaret2.0 a été publié en tant que version Nightly et je l'ai essayé.
• Pour PyCaret lui-même, veuillez vérifier ce qui suit que j'ai publié plus tôt.
• J'ai essayé de visualiser le modèle avec la bibliothèque d'apprentissage automatique à faible code "PyCaret"
• Dans la v2, il semble que le prétraitement des données déséquilibrées soit ajouté comme indiqué ci-dessous, alors j'aimerais l'essayer.

Comment essayer

• S'il vous plaît pip.

pip install pycaret-nightly

• pip pour essayer la version 2.0.0.

essayer

Prétraitement des données déséquilibrées

• v2 ajoute un prétraitement pour les données déséquilibrées (seulement quelques positives et négatives) dans la classification binaire.
• La méthode de spécification est simple, spécifiez ** fix_imbalance = True ** dans l'argument lors de la configuration.

from pycaret.classification import *
exp1 = setup(
    data, 
    target = 'default',
    fix_imbalance=True #Ajouter cette ligne
)

• Cette spécification prétraite les données déséquilibrées.

Prétraitement effectué (SMOTE)

• Comme le montre l'image ci-dessus, SMOTE (** S ** ynthetic ** M ** inority ** O ** ver-sampling ** TE ** chnique) semble être la valeur par défaut.
• Concernant SMOTE, Qiita a également un article de commentaire, donc je vais y faire un lien.
• Extension des données: essayez d'augmenter un petit nombre de données avec SMOTE
• Explication: Explication de la méthode de suréchantillonnage (SMOTE, ADASYN, Borderline-SMOTE, Safe-level SMOTE)

Autre prétraitement

• Comme mentionné dans l'article d'ouverture, il semble qu'il prenne également en charge ** ADASYN ** et ** Random Over Sampler **.
• En interne, en v2 (version Nightly build), dans Dependent Library, déséquilibré- learn a été ajouté.
• La docstring a également la description suivante.

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.

Comment spécifier un autre prétraitement

• Je voudrais spécifier la classe imblearn comme indiqué dans la docstring ci-dessus.
• Importez et spécifiez l'algorithme de sur-échantillonnage spécifié à partir de imblearn.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() #Spécifié sur cette ligne
)

Algorithme spécifié

• C'est comme suit.
• imblearn.over_sampling.ADASYN
• imblearn.over_sampling.BorderlineSMOTE
• imblearn.over_sampling.KMeansSMOTE
• imblearn.over_sampling.RandomOverSampler
• imblearn.over_sampling.SMOTE * Par défaut
• imblearn.over_sampling.SVMSMOTE

Ingéniosité affichée lors de l'évaluation d'un modèle

• Le MCC (Matthews Correlation Coefficient) a été ajouté à la liste de précision avec la mise en œuvre du prétraitement pour les données déséquilibrées.
• Si une classe minoritaire est utilisée comme exemple positif, la mesure F est bien, mais même dans les situations où une telle considération n'est pas prise, le MCC est bon car il peut évaluer correctement la précision d'apprentissage pour des données déséquilibrées.
• Pour la relation entre F-mesure et MCC au moment des données déséquilibrées, ce blog sera utile, alors liez-le. Je le ferai.

finalement

• Cette fois, nous avons introduit la correspondance avec les données de déséquilibre v2.
• En plus de cela, il semble que le support de mlflow soit prévu, et j'attends avec impatience la sortie officielle de la v2.
• Ceci est un article approximatif, mais merci de rester avec nous jusqu'à la fin.