Cómo abordar un proyecto de aprendizaje automático: una guía paso a paso

Este artículo proporcionará un procedimiento básico sobre cómo un principiante debe abordar un proyecto de Machine Learning y describir los pasos fundamentales involucrados. En el problema, nos centraremos en la clasificación de las flores de iris. Puede obtener información sobre el conjunto de datos aquí .

Muchos profesores y sitios web abordan este problema para demostrar los diversos matices involucrados en un proyecto de aprendizaje automático porque:

1. Todos los atributos son numéricos y todos los atributos son de la misma escala y unidades.
2. El problema en cuestión es un problema de clasificación y, por lo tanto, nos da la opción de explorar muchas métricas de evaluación.
3. El conjunto de datos involucrado es pequeño y limpio y, por lo tanto, se puede manejar fácilmente.

Demostramos los siguientes pasos y los describimos en consecuencia a lo largo del camino. 

Paso 1: Importación de las bibliotecas requeridas 

import pandas as pd
from pandas.plotting import scatter_matrix
import matplotlib.pyplot as plt
from sklearn import model_selection
from sklearn.metrics import classification_report, confusion_matrix, accuracy_score
from sklearn.linear_model import LogisticRegression
from sklearn.tree import DecisionTreeClassifier
from sklearn.neighbors import KNeighborsClassifier

Paso 2: cargando los datos

# dataset (csv file) path
url = "https://raw.githubusercontent.com /jbrownlee/Datasets/master/iris.csv"
 
# selectng necessary feature
features = ['sepal-length', 'sepal-width', 'petal-length', 'petal-width', 'class']
 
# reading the csv
data = pd.read_csv(url, names = features)

Paso 3: Resumen de los datos

Este paso generalmente implica los siguientes pasos:

a) Echar un vistazo a los datos

data.head()

b) Hallar las dimensiones de los Datos

data.shape

c) Resumen estadístico de todos los atributos

print(data.describe())

d) Clase de distribución de los Datos

print((data.groupby('class')).size())

Paso 4: Visualización de los datos 
Este paso generalmente implica los siguientes pasos:

a) Trazado de gráficos univariados
Esto se hace para comprender la naturaleza de cada atributo.

data.plot(kind ='box', subplots = True, layout =(2, 2),
                       sharex = False, sharey = False)
 
plt.show()

data.hist()
plt.show()

b) Trazado de gráficos multivariados
Esto se hace para comprender las relaciones entre diferentes características.

scatter_matrix(data)
plt.show()

Paso 5: Entrenamiento y evaluación de nuestros modelos
Este paso normalmente contiene los siguientes pasos:

a) Dividir los datos de entrenamiento y prueba
Esto se hace para que una parte de los datos se oculte del algoritmo de aprendizaje.

y = data['class']
X = data.drop('class', axis = 1)
X_train, X_test, y_train, y_test = model_selection.train_test_split(
                           X, y, test_size = 0.25, random_state = 0)
 
print(X.head())
print('')
print(y.head())

b) Construcción y validación cruzada del modelo

algorithms = []
scores = []
names = []
 
algorithms.append(('Logistic Regression', LogisticRegression()))
algorithms.append(('K-Nearest Neighbours', KNeighborsClassifier()))
algorithms.append(('Decision Tree Classifier', DecisionTreeClassifier()))
 
for name, algo in algorithms:
    k_fold = model_selection.KFold(n_splits = 10, random_state = 0)
 
    # Applying k-cross validation
    cvResults = model_selection.cross_val_score(algo, X_train, y_train,
                                      cv = k_fold, scoring ='accuracy')
 
    scores.append(cvResults)
    names.append(name)
    print(str(name)+' : '+str(cvResults.mean()))

c) Comparar visualmente los resultados de los diferentes algoritmos

fig = plt.figure()
fig.suptitle('Algorithm Comparison')
ax = fig.add_subplot(111)
plt.boxplot(scores)
ax.set_xticklabels(names)
plt.show()

Paso 6: Hacer predicciones y evaluar las predicciones

for name, algo in algorithms:
    clf = algo
    clf.fit(X_train, y_train)
    y_pred = clf.predict(X_test)
    pred_score = accuracy_score(y_test, y_pred)
 
    print(str(name)+' : '+str(pred_score))
    print('')
    print('Confusion Matrix: '+str(confusion_matrix(y_test, y_pred)))
    print(classification_report(y_test, y_pred))

Referencia: https://machinelearningmastery.com/machine-learning-in-python-step-by-step/