機器學習實戰:基於MNIST數據集的二分類問題

語言: CN / TW / HK

theme: smartblue

公眾號:尤而小屋
作者:Peter
編輯:Peter

大家好,我是Peter~

MNIST數據集是一組由美國高中生和人口調查局員工手寫的70,000個數字的圖片,每張圖片上面有代表的數字標記。

這個數據集被廣泛使用,被稱之為機器學習領域的“Hello World”,主要是被用於分類問題。本文是對MNIST數據集執行一個二分類的建模

關鍵詞:隨機梯度下降、二元分類、混淆矩陣、召回率、精度、性能評估

導入數據

在這裏是將一份存放在本地的mat文件的數據導進來。

第一次用Python讀取MATLAB文件

In [1]:

``` import pandas as pd import numpy as np

import scipy.io as si

from sklearn.datasets import fetch_openml

```

In [2]:

mnist = si.loadmat('mnist-original.mat')

In [3]:

type(mnist) # 查看數據類型

Out[3]:

dict

In [4]:

mnist.keys()

Out[4]:

dict_keys(['__header__', '__version__', '__globals__', 'mldata_descr_ordering', 'data', 'label'])

我們發現導進來的數據是一個字典。其中data和label兩個鍵的值就是我們想要的特徵和標籤數據

創建特徵和標籤

修改的內容1:一定要執行轉置功能,原書是沒有的,保證數據shape合理。

In [5]:

```

修改1:一定要轉置

X, y = mnist["data"].T, mnist["label"].T

X.shape ```

Out[5]:

(70000, 784)

總共是70000張圖片,每個圖片中有784個特徵。圖片是28*28的像素,所以每個特徵代表一個像素點,取值從0-255。

In [6]:

y.shape

Out[6]:

(70000, 1)

In [7]:

y # 每個圖片有個專屬的數字

Out[7]:

array([[0.], [0.], [0.], ..., [9.], [9.], [9.]])

顯示一張圖片

matplotlib庫能夠顯示圖像:

In [8]:

``` import matplotlib as mpl import matplotlib.pyplot as plt

one_digit = X[0]

one_digit_image = one_digit.reshape(28, 28)

plt.imshow(one_digit_image, cmap="binary") plt.axis("off") plt.show() ```

In [9]:

y[0] # 真實的標籤的確是0

Out[9]:

python array([0.]) # 結果是0

標籤類型轉換

元數據中標籤是字符串,我們需要轉成整數類型

In [10]:

y.dtype

Out[10]:

dtype('<f8')

In [11]:

y = y.astype(np.uint8)

創建訓練集和測試集

前面的6萬條是訓練集,後面的1萬條是測試集

In [12]:

X_train, X_test, y_train, y_test = X[:60000], X[60000:], y[:60000], y[60000:]

二元分類器

比如現在有1張圖片,顯示是0,我們識別是:"0和非0",兩種情形即可,這就是簡單的二元分類問題

In [13]:

``` y_train_0 = (y_train == 0) # 挑選出5的部分

y_test_0 = (y_test == 0) ```

隨機梯度下降分類器SGD

使用scikit-learn自帶的SGDClassifier分類器:能夠處理非常大型的數據集,同時SGD適合在線學習

In [14]:

``` from sklearn.linear_model import SGDClassifier

sgd_c = SGDClassifier(random_state=42) # 設置隨機種子,保證運行結果相同

sgd_c.fit(X_train, y_train_0) ```

Out[14]:

SGDClassifier(random_state=42)

結果驗證

在這裏我們檢查下數字0的圖片:結果為True

In [15]:

sgd_c.predict([one_digit]) # one_digit是0,非5 表示為False

Out[15]:

array([ True])

性能測量1-交叉驗證

一般而言,分類問題的評估比迴歸問題要困難的多。下面採用多個指標來評估分類的結果

自定義交差驗證(優化)

  • 每個摺疊由StratifiedKFold執行分層抽樣,產生的每個類別中的比例符合原始數據中的比例
  • 每次迭代會創建一個分類器的副本,用訓練器對這個副本進行訓練,然後測試集進行測試
  • 最後預測出準確率,輸出正確的比例

In [16]:

```python

K折交叉驗證

from sklearn.model_selection import StratifiedKFold

用於生成分類器的副本

from sklearn.base import clone

實例化對象

k_folds = StratifiedKFold( n_splits = 3, # 3折 shuffle=True, # add 一定要設置shuffle才能保證random_state生效 random_state=42 )

每個摺疊由StratifiedKFold執行分層抽樣

for train_index, test_index in k_folds.split(X_train, y_train_0): # 分類器的副本 clone_c = clone(sgd_c)

X_train_folds = X_train[train_index]  # 訓練集的索引號
y_train_folds = y_train_0[train_index]

X_test_fold = X_train[test_index]  # 測試集的索引號
y_test_fold = y_train_0[test_index]

clone_c.fit(X_train_folds, y_train_folds)  # 模型訓練
y_pred = clone_c.predict(X_test_fold)  # 預測

n_correct = sum(y_pred == y_test_fold)  # 預測準確的數量

print(n_correct / len(y_pred))  # 預測準確的比例

```

運行的結果如下:

python [0.09875 0.09875 0.09875 ... 0.90125 0.90125 0.90125] [0.0987 0.0987 0.0987 ... 0.9013 0.9013 0.9013] [0.0987 0.0987 0.0987 ... 0.9013 0.9013 0.9013]

scikit_learn的交叉驗證

使用cross_val_score來評估分類器:

In [17]:

```python

評估分類器的效果

from sklearn.model_selection import cross_val_score

cross_val_score(sgd_c, # 模型 X_train, # 數據集 y_train_0, cv=3, # 3折 scoring="accuracy" # 準確率 )

結果

array([0.98015, 0.95615, 0.9706 ]) ```

可以看到準確率已經達到了95%以上,效果是相當的可觀

自定義一個“非0”的簡易分類器,看看效果:

In [18]:

```python from sklearn.base import BaseEstimator # 基分類器

class Never0Classifier(BaseEstimator): def fit(self, X, y=None): return self

def predict(self, X):
    return np.zeros((len(X), 1), dtype=bool)

```

In [19]:

```python never_0_clf = Never0Classifier()

cross_val_score( never_0_clf, # 模型 X_train, # 訓練集樣本 y_train_0, # 訓練集標籤 cv=3, # 折數 scoring="accuracy" ) ```

Out[19]:

array([0.70385, 1. , 1. ])

In [20]:

統計數據中每個字出現的次數:

pd.DataFrame(y).value_counts()

Out[20]:

1 7877 7 7293 3 7141 2 6990 9 6958 0 6903 6 6876 8 6825 4 6824 5 6313 dtype: int64

In [21]:

6903 / 70000

Out[21]:

下面顯示大約有10%的概率是0這個數字

0.09861428571428571

In [22]:

(0.70385 + 1 + 1) / 3

Out[22]:

0.9012833333333333

可以看到判斷“非0”準確率基本在90%左右,因為只有大約10%的樣本是屬於數字0。

所以如果猜測一張圖片是非0,大約90%的概率是正確的。

性能測量2-混淆矩陣

預測結果

評估分類器性能更好的方法是混淆矩陣,總體思路是統計A類別實例被劃分成B類別的次數

混淆矩陣是通過預測值和真實目標值來進行比較的。

cross_val_predict函數返回的是每個摺疊的預測結果,而不是評估分數

In [23]:

```python from sklearn.model_selection import cross_val_predict

y_train_pred = cross_val_predict( sgd_c, # 模型 X_train, # 特徵訓練集 y_train_0, # 標籤訓練集 cv=3 # 3折 )

y_train_pred ```

Out[23]:

array([ True, True, True, ..., False, False, False])

混淆矩陣

In [24]:

```

導入混淆矩陣

from sklearn.metrics import confusion_matrix

confusion_matrix(y_train_0, y_train_pred) ```

Out[24]:

array([[52482, 1595], [ 267, 5656]])

混淆矩陣中:行表示實際類別,列表示預測類別

  • 第一行表示“非0”:52482張被正確地分為“非0”(真負類),有1595張被錯誤的分成了“0”(假負類)
  • 第二行表示“0”:267被錯誤地分為“非0”(假正類),有5656張被正確地分成了“0”(真正類)

In [25]:

```

假設一個完美的分類器:只存在真正類和真負類,它的值存在於對角線上

y_train_perfect_predictions = y_train_0

confusion_matrix(y_train_0, y_train_perfect_predictions) ```

Out[25]:

array([[54077, 0], [ 0, 5923]])

精度和召回率

$$精度=\frac{TP}{TP+FP}$$

召回率的公式為:

$$召回率 = \frac {TP}{TP+FN}$$

混淆矩陣顯示的內容:

  • 左上:真負
  • 右上:假正
  • 左下:假負
  • 右下:真正

精度:正類預測的準確率

召回率(靈敏度或真正類率):分類器正確檢測到正類實例的比例

計算精度和召回率

In [26]:

``` from sklearn.metrics import precision_score, recall_score

precision_score(y_train_0, y_train_pred) # 精度 ```

Out[26]:

0.78003034064267

In [27]:

recall_score(y_train_0, y_train_pred) # 召回率

Out[27]:

0.9549214924869154

F_1係數

F_1係數是精度和召回率的諧波平均值。只有當召回率和精度都很高的時候,分類器才會得到較高的F_1分數

𝐹1=21精度+1召回率(3)(3)F1=21精度+1召回率

In [28]:

``` from sklearn.metrics import f1_score

f1_score(y_train_0, y_train_pred) ```

Out[28]:

0.8586609989373006

精度/召回率權衡

精度和召回率通常是一對”抗體“,我們一般不可能同時增加精度又減少召回率,反之亦然,這就現象叫做精度/召回率權衡

In [29]:

```

使用decision_function

y_scores = sgd_c.decision_function([one_digit]) y_scores ```

Out[29]:

array([24816.66593936])

In [30]:

threshold = 0 # 設置閾值 y_digit_pred = y_scores > threshold y_digit_pred

Out[30]:

array([ True])

In [31]:

```

提升閾值

threshold = 100000
y_digit_pred = y_scores > threshold y_digit_pred
```

Out[31]:

array([False])

如何使用閾值

  1. 先使用cross_val_predict函數獲取訓練集中所有實例的分數

In [32]:

``` y_scores = cross_val_predict( sgd_c, X_train, y_train_0.ravel(), # 原文 y_train_0 cv=3, method="decision_function")

y_scores ```

Out[32]:

array([ 51616.39393745, 27082.28092103, 20211.29278048, ..., -23195.59964776, -21022.63597851, -18702.17990507])

2、有了這些分數就可以計算精度和召回率:

In [33]:

``` from sklearn.metrics import precision_recall_curve

precisions, recalls, thresholds = precision_recall_curve(y_train_0, y_scores) ```

In [34]:

precisions # 精度

Out[34]:

array([0.10266944, 0.10265389, 0.10265566, ..., 1. , 1. , 1. ])

In [35]:

recalls # 召回率

Out[35]:

array([1.00000000e+00, 9.99831167e-01, 9.99831167e-01, ..., 3.37666723e-04, 1.68833361e-04, 0.00000000e+00])

In [36]:

thresholds # 閾值

Out[36]:

array([-86393.49001095, -86375.60229796, -86374.22313529, ..., 92555.12952489, 93570.30614671, 96529.58216984])

繪製精度和召回率曲線

In [37]:

```python def figure_precision_recall(precisions, recalls, thresholds): plt.plot(thresholds, precisions[:-1],"b--",label="Precision") # 精度-藍色 plt.plot(thresholds, recalls[:-1],"g-",label="Recall") # 召回率-綠色 plt.legend(loc="center right", fontsize=12) plt.xlabel("Threshold", fontsize=16)
plt.grid(True)

figure_precision_recall(precisions, recalls, thresholds) plt.show() ```

直接繪製精度和召回率的曲線圖:

```python

精度-召回率

plt.plot(recalls[:-1], precisions[:-1],"b--")
plt.legend(loc="center right", fontsize=12) plt.xlabel("Threshold", fontsize=16)
plt.grid(True)
```

現在我們將精度設置成90%,通過np.argmax()函數來獲取最大值的第一個索引,即表示第一個True的值:

In [39]:

threshold_90_precision = thresholds[np.argmax(precisions >= 0.9)] threshold_90_precision

Out[39]:

9075.648564157285

In [40]:

y_train_pred_90 = (y_scores >= threshold_90_precision) y_train_pred_90

Out[40]:

array([ True, True, True, ..., False, False, False])

In [41]:

```

再次查看精度和召回率

precision_score(y_train_0, y_train_pred_90) ```

Out[41]:

0.9001007387508395

In [42]:

recall_score(y_train_0, y_train_pred_90)

Out[42]:

0.9051156508526085

性能測量3-ROC曲線

繪製ROC

還有一種經常和二元分類器一起使用的工具,叫做受試者工作特徵曲線ROC。

繪製的是真正類率(召回率的別稱)和假正類率(FPR)。FPR是被錯誤分為正類的負類實例比率,等於1減去真負類率(TNR)

TNR是被正確地分為負類的負類實例比率,也稱之為特異度

ROC繪製的是靈敏度和(1-特異度)的關係圖

In [43]:

```

1、計算TPR、FPR

from sklearn.metrics import roc_curve

fpr, tpr, thresholds = roc_curve(y_train_0, y_scores) ```

In [44]:

```python def plot_roc_curve(fpr,tpr,label=None):

plt.plot(fpr, tpr, linewidth=2,label=label)  
plt.plot([0,1], [0,1], "k--")
plt.legend(loc="center right", fontsize=12) 
plt.xlabel("FPR", fontsize=16)  
plt.ylabel("TPR", fontsize=16)
plt.grid(True)

plot_roc_curve(fpr,tpr) plt.show() ```

AUC面積

auc就是上面ROC曲線的線下面積。完美的分類器ROC_AUC等於1;純隨機分類器的ROC_AUC等於0.5

In [45]:

``` from sklearn.metrics import roc_auc_score

roc_auc_score(y_train_0, y_scores) ```

Out[45]:

0.9910680354987216

ROC曲線和精度/召回率(PR)曲線非常類似,選擇經驗:當正類非常少見或者我們更加關注假正類而不是假負類,應該選擇PR曲線,否則選擇ROC曲線

對比隨機森林分類器

報錯解決方案:http://stackoverflow.com/questions/63506197/method-predict-proba-for-cross-val-predict-return-index-1-is-out-of-bounds-fo

報錯:index 1 is out of bounds for axis 1 with size 1

In [46]:

X_train.shape

Out[46]:

(60000, 784)

In [47]:

```

解決方案

y_train_0 = y_train_0.reshape(X_train.shape[0], ) y_train_0 ```

Out[47]:

array([ True, True, True, ..., False, False, False])

In [48]:

``` from sklearn.ensemble import RandomForestClassifier

forest_clf = RandomForestClassifier(random_state=42) y_probas_forest = cross_val_predict(forest_clf, X_train, y_train_0, cv=3, method="predict_proba") y_probas_forest ```

Out[48]:

array([[0. , 1. ], [0.04, 0.96], [0.15, 0.85], ..., [0.93, 0.07], [0.97, 0.03], [0.96, 0.04]])

使用roc_curve函數來提供分類的概率:

In [49]:

``` y_scores_forest = y_probas_forest[:,1]

fpr_rf, tpr_rf, thresholds_rf = roc_curve(y_train_0, y_scores_forest) ```

In [50]:

```python plt.plot(fpr, tpr, "b:", label="SGD") plot_roc_curve(fpr_rf,tpr_rf,"Random Forest") plt.legend(loc="lower right")

plt.show() ```

現在我們重新查看ROC-AUC值、精度和召回率,發現都得到了提升:

In [51]:

roc_auc_score(y_train_0,y_scores_forest) # ROC-AUC值

Out[51]:

0.9975104189747056

In [52]:

precision_score(y_train_0,y_train_pred) # 精度

Out[52]:

0.78003034064267

In [53]:

recall_score(y_train_0,y_train_pred) # 召回率

Out[53]:

0.9549214924869154

總結

本文從公開的MNIST數據出發,通過SGD建立一個二元分類器,同時利用交叉驗證來評估我們的分類器,以及使用不同的指標(精度、召回率、精度/召回率平衡)、ROC曲線等來比較SGD和RandomForestClassifier不同的模型。