Lab02 - Aprendizado Supervisionado - Classificação

Objetivos¶

• Apresentar e utilizar o classificador k-nearest neighbours (kNN)
• Apresentar a técnica de separação de dados (treino e teste)
• Avaliar Aprendizagem do modelo

Começando¶

Vamos dar continuidade ao nosso estudo de aprendizagem de máquina, já vimos:

• Tudo começa, conhecendo os dados disponíveis.
• Como carregar um data frame
• Como visualizar os dados em gráficos (histograma, box plot, violin plot, matriz de confusão)

• Fizemos uma breve introdução sobre análise exploratória buscando correlacionar os dados para gerar informações.

  Hoje, vamos seguir nossa jornada e finalizar nosso estudo aplicando a técnica de KNN.

k-Nearest Neighbors¶

O KNN(K vizinhos mais próximos) é considerado um dos algoritmos mais simples dentro da categoria de aprendizagem supervisionada sendo muito utilizado para problemas de classificação, porém também pode ser utilizado em problemas de regressão.

Problemas de classificação = Vale lembrar que em problemas de classificação não estamos interessados em valores exatos, queremos apenas saber se um dado pertence ou não a uma dada classe.

Uma intuição sobre o método¶

Para realizar a classificação o KNN calcula a distância objeto desconhecido (target) para todos os outros elementos, encontra os mais K vizinhos mais próximos faz uma contagem dos rótulos e considera que o objeto desconhecido pertence ao rótulo de maior contagem.

A imagem abaixo exemplifica o funcionamento, mas se ficou um pouco complicado de entender, rode o script python iknn.py e faça algumas simulações para compreender.

Bora lá!!¶

Vamos juntos realizar nosso primeiro projeto, do começo ao fim, de aprendizagem de máquina.

Definição do problema¶

A primeira coisa que precisamos fazer é a definição do problema. Neste primeiro caso vamos trabalhar com o mesmo dataset da última aula, dataset iris. Vamos desenvolver um sistema de machine learning capaz de classificar sua espécie com base nos dimensionais da pétala.

São 150 exemplares de flor de íris, pertencentes a três espécies diferentes: setosa, versicolor e virginica, sendo 50 amostras de cada espécie. Os atributos de largura e comprimento de sépala e largura e comprimento de pétala de cada flor fooram medidos manualmente.

Desafio 1¶

Do ponto de vista de machine learning, que problema é esse:

Aprendizado supervisionado ou não-supervisionado?

R:

Classificação ou regressão?

R:

In [1]:

### Sua resposta.....

### Sua resposta.....

In [2]:

# Inicializção das bibliotecas
%matplotlib inline

import pandas as pd
import matplotlib.pyplot as plt

# Inicializção das bibliotecas %matplotlib inline import pandas as pd import matplotlib.pyplot as plt

In [3]:

# Caminho do arquivo
url = "https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data"
# Define o nome das colunas
header = ['sepal_length', 'sepal_width', 'petal_length', 'petal_width', 'species']
# Lê e carrega o arquivo para a memória
df = pd.read_csv(url, header=None, names=header)

# Caminho do arquivo url = "https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data" # Define o nome das colunas header = ['sepal_length', 'sepal_width', 'petal_length', 'petal_width', 'species'] # Lê e carrega o arquivo para a memória df = pd.read_csv(url, header=None, names=header)

In [4]:

# Retorna um trecho com as 5 primeiras linhas do dataframe
df.head()

# Retorna um trecho com as 5 primeiras linhas do dataframe df.head()

Out[4]:

	sepal_length	sepal_width	petal_length	petal_width	species
0	5.1	3.5	1.4	0.2	Iris-setosa
1	4.9	3.0	1.4	0.2	Iris-setosa
2	4.7	3.2	1.3	0.2	Iris-setosa
3	4.6	3.1	1.5	0.2	Iris-setosa
4	5.0	3.6	1.4	0.2	Iris-setosa

In [5]:

df.tail()

df.tail()

Out[5]:

	sepal_length	sepal_width	petal_length	petal_width	species
145	6.7	3.0	5.2	2.3	Iris-virginica
146	6.3	2.5	5.0	1.9	Iris-virginica
147	6.5	3.0	5.2	2.0	Iris-virginica
148	6.2	3.4	5.4	2.3	Iris-virginica
149	5.9	3.0	5.1	1.8	Iris-virginica

In [6]:

# Mostra informações sobre o dataframe em si
df.info()

# Mostra informações sobre o dataframe em si df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 150 entries, 0 to 149
Data columns (total 5 columns):
 #   Column        Non-Null Count  Dtype  
---  ------        --------------  -----  
 0   sepal_length  150 non-null    float64
 1   sepal_width   150 non-null    float64
 2   petal_length  150 non-null    float64
 3   petal_width   150 non-null    float64
 4   species       150 non-null    object 
dtypes: float64(4), object(1)
memory usage: 6.0+ KB

In [7]:

# class distribution
print(df.groupby('species').size())

# class distribution print(df.groupby('species').size())

species
Iris-setosa        50
Iris-versicolor    50
Iris-virginica     50
dtype: int64

Desafio 2¶

Aplique os métodos que achar conveniente (vimos algumas opções na última aula) para visualizar os dados de forma gráfica.

In [8]:

## Sua resposta e seus gráficos para análisar..

## Sua resposta e seus gráficos para análisar..

PARE!!!¶

A análise feita no desafio 2 é uma das etapas mais importantes. Caso você tenha pulado essa etapa, volte e faça suas análises.

Com essa etapa concluída, vamos criar um sub-dataset com os atributos que serão utilizados.

In [9]:

# Selecionando um sub-dataframe com os campos petal_length e petal_width, 
# e outro com a variável de classes
entradas = df[['petal_length', 'petal_width']]
classes = df['species']
print(f"Formato das tabelas de dados {entradas.shape} e classes {classes.shape}")

# Selecionando um sub-dataframe com os campos petal_length e petal_width, # e outro com a variável de classes entradas = df[['petal_length', 'petal_width']] classes = df['species'] print(f"Formato das tabelas de dados {entradas.shape} e classes {classes.shape}")

Formato das tabelas de dados (150, 2) e classes (150,)

Dividindo os dados em conjunto de treinamento e de testes¶

Dividir nosso dataset em dois conjuntos de dados.

Treinamento - Representa 80% das amostras do conjunto de dados original,
Teste - com 20% das amostras

Vamos escolher aleatoriamente algumas amostras do conjunto original. Isto pode ser feito com Scikit-Learn usando a função train_test_split()

scikit-learn: pip3 install scikit-learn

In [10]:

# Separamos 20% para o teste
from sklearn.model_selection import train_test_split

entradas_treino, entradas_teste, classes_treino, classes_teste = train_test_split(entradas, classes, test_size=0.2)

print(f"Formato das tabelas de dados de treino {entradas_treino.shape} e teste {entradas_teste.shape}")

# Separamos 20% para o teste from sklearn.model_selection import train_test_split entradas_treino, entradas_teste, classes_treino, classes_teste = train_test_split(entradas, classes, test_size=0.2) print(f"Formato das tabelas de dados de treino {entradas_treino.shape} e teste {entradas_teste.shape}")

Formato das tabelas de dados de treino (120, 2) e teste (30, 2)

In [11]:

#Primeiras linhas do dataframe 
entradas_treino.head()

#Primeiras linhas do dataframe entradas_treino.head()

Out[11]:

	petal_length	petal_width
31	1.5	0.4
120	5.7	2.3
93	3.3	1.0
5	1.7	0.4
102	5.9	2.1

In [12]:

classes_treino.head()

classes_treino.head()

Out[12]:

31         Iris-setosa
120     Iris-virginica
93     Iris-versicolor
5          Iris-setosa
102     Iris-virginica
Name: species, dtype: object

Chegou a hora de aplicar o modelo preditivo¶

Treinar um modelo no python é simples se usar o Scikit-Learn. Treinar um modelo no Scikit-Learn é simples: basta criar o classificador, e chamar o método fit().

Uma observação sobre a sintaxe dos classificadores do scikit-learn

• O método fit(X,Y) recebe uma matriz ou dataframe X onde cada linha é uma amostra de aprendizado, e um array Y contendo as saídas esperadas do classificador, seja na forma de texto ou de inteiros
• O método predict(X) recebe uma matriz ou dataframe X onde cada linha é uma amostra de teste, retornando um array de classes

In [13]:

# Importa a biblioteca
from sklearn.neighbors import KNeighborsClassifier

# Cria o classificar KNN
k = 9
modelo = KNeighborsClassifier(n_neighbors=k)

# Cria o modelo de machine learning
modelo.fit(entradas_treino, classes_treino)

# Importa a biblioteca from sklearn.neighbors import KNeighborsClassifier # Cria o classificar KNN k = 9 modelo = KNeighborsClassifier(n_neighbors=k) # Cria o modelo de machine learning modelo.fit(entradas_treino, classes_treino)

Out[13]:

KNeighborsClassifier(n_neighbors=9)

Pronto!! bora testar se esta funcionando....

In [14]:

# Para obter as previsões, basta chamar o método predict()
classes_encontradas = modelo.predict(entradas_teste)
print("Predição: {}".format(classes_encontradas))

# Para obter as previsões, basta chamar o método predict() classes_encontradas = modelo.predict(entradas_teste) print("Predição: {}".format(classes_encontradas))

Predição: ['Iris-virginica' 'Iris-virginica' 'Iris-virginica' 'Iris-virginica'
 'Iris-virginica' 'Iris-virginica' 'Iris-versicolor' 'Iris-virginica'
 'Iris-versicolor' 'Iris-versicolor' 'Iris-versicolor' 'Iris-versicolor'
 'Iris-virginica' 'Iris-setosa' 'Iris-versicolor' 'Iris-setosa'
 'Iris-versicolor' 'Iris-setosa' 'Iris-virginica' 'Iris-setosa'
 'Iris-virginica' 'Iris-setosa' 'Iris-versicolor' 'Iris-versicolor'
 'Iris-setosa' 'Iris-virginica' 'Iris-versicolor' 'Iris-virginica'
 'Iris-versicolor' 'Iris-virginica']

In [15]:

# Para determinar a quantidade de acertos (acuracia)

from sklearn.metrics import accuracy_score
acertos = accuracy_score(classes_teste, classes_encontradas)
print("Acerto médio de classificação: ", acertos)

# Para determinar a quantidade de acertos (acuracia) from sklearn.metrics import accuracy_score acertos = accuracy_score(classes_teste, classes_encontradas) print("Acerto médio de classificação: ", acertos)

Acerto médio de classificação:  0.9666666666666667

Utilizando o modelo treinado com amostras fora do dataset¶

Vamos colocar alguns valores e ver a predição do classificador.

In [16]:

# Criamos um modelo utilizando duas entradas e uma saida, logo temos que passar duas entradas para o modelo faça a predição. 

modelo.predict([[3.3, 3.2]])

# Criamos um modelo utilizando duas entradas e uma saida, logo temos que passar duas entradas para o modelo faça a predição. modelo.predict([[3.3, 3.2]])

Out[16]:

array(['Iris-versicolor'], dtype=object)

Visualizando o modelo de forma gráfica¶

In [17]:

# Unificamos os dados de entrada e as classes de treino e teste em um daframe cada
df_treino = pd.concat((entradas_treino, classes_treino), axis=1)

novas_classes = pd.Series(classes_encontradas, name="species", index=entradas_teste.index)
df_teste = pd.concat((entradas_teste, novas_classes), axis=1)

# Unificamos os dados de entrada e as classes de treino e teste em um daframe cada df_treino = pd.concat((entradas_treino, classes_treino), axis=1) novas_classes = pd.Series(classes_encontradas, name="species", index=entradas_teste.index) df_teste = pd.concat((entradas_teste, novas_classes), axis=1)

In [18]:

import seaborn as sns
## Unificamos os dataframes de treinamento e teste em um novo DataFrame
# indicando a origem dos dados
novo_df = pd.concat((df_treino, df_teste), keys=['train', 'test'])
novo_df['origin'] = ''
novo_df.loc['train','origin'] = 'Treino'
novo_df.loc['test','origin'] = 'Teste'

# Usamos o scatterplot do seaborn, informando mudando o marcador de acordo com a origem do dado
sns.scatterplot('petal_length', 'petal_width', hue='species', style='origin', data=novo_df)

plt.show()

import seaborn as sns ## Unificamos os dataframes de treinamento e teste em um novo DataFrame # indicando a origem dos dados novo_df = pd.concat((df_treino, df_teste), keys=['train', 'test']) novo_df['origin'] = '' novo_df.loc['train','origin'] = 'Treino' novo_df.loc['test','origin'] = 'Teste' # Usamos o scatterplot do seaborn, informando mudando o marcador de acordo com a origem do dado sns.scatterplot('petal_length', 'petal_width', hue='species', style='origin', data=novo_df) plt.show()

c:\Users\junior\AppData\Local\Programs\Python\Python39\lib\site-packages\seaborn\_decorators.py:36: FutureWarning: Pass the following variables as keyword args: x, y. From version 0.12, the only valid positional argument will be `data`, and passing other arguments without an explicit keyword will result in an error or misinterpretation.
  warnings.warn(

Desafio 3¶

Fizemos o treinamento para k=3, mude o valor de k e análise a acurácia do modelo.

Dica: Faça um loop for que varre um range de k, a saída pode ser armazenada em uma lista. No final do loop exiba em um gráfico.

In [19]:

### Implemente sua sua solução.....

### Implemente sua sua solução.....

In [20]:

#### Resposta loop for para diferntes k
k_range = list(range(1,26))
acertos = []
for k in k_range:
    modelo = KNeighborsClassifier(n_neighbors=k)
    modelo.fit(entradas_treino, classes_treino)
    classes_encontradas = modelo.predict(entradas_teste)
    acertos.append(accuracy_score(classes_teste, classes_encontradas))
  
  
plt.plot(k_range, acertos)
plt.xlabel('Valor de k do KNN')
plt.ylabel('Taxa de acertos')
plt.title('Taxa de acertos x valor de k do KNN')
plt.show()

#### Resposta loop for para diferntes k k_range = list(range(1,26)) acertos = [] for k in k_range: modelo = KNeighborsClassifier(n_neighbors=k) modelo.fit(entradas_treino, classes_treino) classes_encontradas = modelo.predict(entradas_teste) acertos.append(accuracy_score(classes_teste, classes_encontradas)) plt.plot(k_range, acertos) plt.xlabel('Valor de k do KNN') plt.ylabel('Taxa de acertos') plt.title('Taxa de acertos x valor de k do KNN') plt.show()

Desafio 4¶

Refaça os notebook substituindo as entradas (variaveis independentes) e analise se o modelo obtido ficou melhor ou pior.

In [21]:

## implemente sua sua solução....

## implemente sua sua solução....

Desafio 5¶

Lembra o dataset 'breast_cancer', faça um modelo de predição que informa se o câncer é maligno ou não.

In [22]:

# implemente sua solução......

# implemente sua solução......

---

Last update: September 12, 2022