HyperParameterTuning - Lotta contro il cancro al seno

  • Articolo

Questa esercitazione illustra in che modo SynapseML può essere usato per identificare la combinazione migliore di iperparametri per i classificatori scelti, con conseguente maggiore precisione e affidabilità dei modelli. Per dimostrare questo problema, verrà illustrato come eseguire l'ottimizzazione degli iperparametri di ricerca casuale della griglia distribuita per creare un modello per identificare il cancro al seno.

1 - Configurare le dipendenze

Per iniziare, importare pandas e configurare la sessione spark.

import pandas as pd
from pyspark.sql import SparkSession

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

Leggere quindi i dati e suddividerli in set di ottimizzazione e test.

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()

Definire i modelli da usare.

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 - Trovare il modello migliore con AutoML

Importare le classi AutoML di SynapseML da synapse.ml.automl. Specificare gli iperparametri usando .HyperparamBuilder DiscreteHyperParam Aggiungere o RangeHyperParam iperparametri. TuneHyperparameters sceglierà in modo casuale i valori da una distribuzione 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)

Eseguire quindi TuneHyperparameters per ottenere il modello migliore.

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

3 - Valutare il modello

È possibile visualizzare i parametri del modello migliore e recuperare la pipeline del modello migliore sottostante

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

È possibile assegnare punteggi al set di test e visualizzare le metriche.

from synapse.ml.train import ComputeModelStatistics

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

Contenuto correlato