HyperParameterTuning - Boj proti rakovině prsu

  • Článek

V tomto kurzu se dozvíte, jak lze SynapseML použít k identifikaci nejlepší kombinace hyperparametrů pro zvolené klasifikátory, což nakonec vede k přesnějším a spolehlivějším modelům. Abychom to mohli předvést, ukážeme si, jak provést distribuované ladění hyperparametrů náhodného vyhledávání v mřížce, abychom vytvořili model pro identifikaci rakoviny prsu.

1. Nastavení závislostí

Začněte importem knihovny pandas a nastavením naší relace Sparku.

import pandas as pd
from pyspark.sql import SparkSession

# Bootstrap Spark Session
spark = SparkSession.builder.getOrCreate()

Dále si přečtěte data a rozdělte je na ladění a testovací sady.

data = spark.read.parquet(
    "wasbs://publicwasb@mmlspark.blob.core.windows.net/BreastCancer.parquet"
).cache()
tune, test = data.randomSplit([0.80, 0.20])
tune.limit(10).toPandas()

Definujte modely, které se mají použít.

from synapse.ml.automl import TuneHyperparameters
from synapse.ml.train import TrainClassifier
from pyspark.ml.classification import (
    LogisticRegression,
    RandomForestClassifier,
    GBTClassifier,
)

logReg = LogisticRegression()
randForest = RandomForestClassifier()
gbt = GBTClassifier()
smlmodels = [logReg, randForest, gbt]
mmlmodels = [TrainClassifier(model=model, labelCol="Label") for model in smlmodels]

2. Vyhledání nejlepšího modelu pomocí AutoML

Importovat třídy AutoML SynapseML z synapse.ml.automl. Zadejte hyperparametry pomocí parametru HyperparamBuilder. Přidejte buď DiscreteHyperParam hyperparametry, nebo RangeHyperParam hyperparametry. TuneHyperparameters bude náhodně vybírat hodnoty z jednotného rozdělení:

from synapse.ml.automl import *

paramBuilder = (
    HyperparamBuilder()
    .addHyperparam(logReg, logReg.regParam, RangeHyperParam(0.1, 0.3))
    .addHyperparam(randForest, randForest.numTrees, DiscreteHyperParam([5, 10]))
    .addHyperparam(randForest, randForest.maxDepth, DiscreteHyperParam([3, 5]))
    .addHyperparam(gbt, gbt.maxBins, RangeHyperParam(8, 16))
    .addHyperparam(gbt, gbt.maxDepth, DiscreteHyperParam([3, 5]))
)
searchSpace = paramBuilder.build()
# The search space is a list of params to tuples of estimator and hyperparam
print(searchSpace)
randomSpace = RandomSpace(searchSpace)

Dále spusťte TuneHyperparameters, abyste získali nejlepší model.

bestModel = TuneHyperparameters(
    evaluationMetric="accuracy",
    models=mmlmodels,
    numFolds=2,
    numRuns=len(mmlmodels) * 2,
    parallelism=1,
    paramSpace=randomSpace.space(),
    seed=0,
).fit(tune)

3. Vyhodnocení modelu

Můžeme zobrazit nejlepší parametry modelu a načíst základní nejlepší kanál modelu.

print(bestModel.getBestModelInfo())
print(bestModel.getBestModel())

Můžeme skóre pro testovací sadu a zobrazit metriky.

from synapse.ml.train import ComputeModelStatistics

prediction = bestModel.transform(test)
metrics = ComputeModelStatistics().transform(prediction)
metrics.limit(10).toPandas()

Související obsah