HyperParameterTuning - Bekæmpelse af brystkræft

  • Artikel

I dette selvstudium kan du se, hvordan SynapseML kan bruges til at identificere den bedste kombination af hyperparametre for dine valgte klassificeringer, hvilket i sidste ende resulterer i mere nøjagtige og pålidelige modeller. For at vise dette, vil vi vise, hvordan man udfører distribuerede randomiseret gitter søgning hyperparameter tuning at opbygge en model til at identificere brystkræft.

1 – Konfigurer afhængigheder

Start med at importere pandas og konfigurere vores Spark-session.

import pandas as pd
from pyspark.sql import SparkSession

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

Læs derefter dataene, og opdel dem i justerings- og testsæt.

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()

Definer de modeller, der skal bruges.

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 – Find den bedste model ved hjælp af AutoML

Importér SynapseML's AutoML-klasser fra synapse.ml.automl. Angiv hyperparametrene ved hjælp af HyperparamBuilder. Tilføj enten DiscreteHyperParam eller RangeHyperParam hyperparametre. TuneHyperparameters vælger tilfældigt værdier fra en ensartet fordeling:

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)

Kør derefter TuneHyperparameters for at få den bedste model.

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

3 – Evaluer modellen

Vi kan få vist parametrene for den bedste model og hente den underliggende bedste modelpipeline

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

Vi kan score i forhold til testsættet og få vist målepunkter.

from synapse.ml.train import ComputeModelStatistics

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

Relateret indhold