HyperParameterTuning: Lucha contra el cáncer de mama

  • Artículo

En este tutorial se muestra cómo se puede usar SynapseML para identificar la mejor combinación de hiperparámetros para los clasificadores elegidos, lo que da lugar a modelos más precisos y confiables. Para demostrar esto, mostraremos cómo realizar el ajuste de hiperparámetros distribuidos de búsqueda de cuadrícula aleatoria para crear un modelo para identificar el cáncer de mama.

1 - Configuración de dependencias

Empiece por importar Pandas y configurar nuestra sesión de Spark.

import pandas as pd
from pyspark.sql import SparkSession

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

A continuación, lea los datos y divídalos en conjuntos de pruebas y ajuste.

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()

Defina los modelos que se van a usar.

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 - Búsqueda del mejor modelo mediante AutoML

Importe las clases AutoML de SynapseML desde synapse.ml.automl. Especifique los hiperparámetros mediante HyperparamBuilder. Agregue hiperparámetros DiscreteHyperParam o RangeHyperParam. TuneHyperparameters elegirá aleatoriamente los valores de una distribución uniforme:

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)

A continuación, ejecute TuneHyperparameters para obtener el mejor modelo.

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

3 - Evaluar el modelo

Podemos ver los mejores parámetros del modelo y recuperar la canalización del mejor modelo subyacente.

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

Podemos puntuar con el conjunto de pruebas y ver las métricas.

from synapse.ml.train import ComputeModelStatistics

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

Contenido relacionado