Upload
christian-s-perone
View
515
Download
6
Embed Size (px)
DESCRIPTION
Uma introdução a Machine Learning utilizando Python e Scikit-learn.
Citation preview
Apresentação Introdução Classificação Regressão Dúvidas
Machine LearningCom Python e scikit-learn
Christian S. [email protected]
5 de junho de 2014
Apresentação Introdução Classificação Regressão Dúvidas
Parte I
[ Apresentação \
Apresentação Introdução Classificação Regressão Dúvidas
Apresentação
▸ Christian S. Perone
▸ Trabalha como desenvolvedor▸ Colaborador e mantenedor open-source▸ Blog
▸ http://pyevolve.sourceforge.net/wordpress
▸ Projetos▸ https://github.com/perone
▸ Twitter @tarantulae
Apresentação Introdução Classificação Regressão Dúvidas
RoteiroApresentaçãoApresentação
IntroduçãoO que é Machine Learning ?O problemaSupervisionado vs Não-supervisionadoAprendizado Supervisionado
ClassificaçãoIntroduçãoOCRSupport Vector MachinesClassi�cação no scikit-learn
RegressãoIntroduçãoImóveis de Porto AlegreRegressão Linear
DúvidasDúvidas
Apresentação Introdução Classificação Regressão Dúvidas
Parte II
[ Introdução \
Apresentação Introdução Classificação Regressão Dúvidas
O que éMachine Learning ?
Machine Learning (ou Aprendizado de Máquina) é uma sub-área daInteligência Arti�cial que estuda sistemas que podem aprender comdados. Alguns exemplos:
▸ Classi�cador de Emails▸ Reconhecedor de caracteres (OCR)▸ Sistemas de Recomendação▸ Retenção de clientes▸ Análise de Sentimento
Apresentação Introdução Classificação Regressão Dúvidas
O que éMachine Learning ?
Machine Learning (ou Aprendizado de Máquina) é uma sub-área daInteligência Arti�cial que estuda sistemas que podem aprender comdados. Alguns exemplos:▸ Classi�cador de Emails
▸ Reconhecedor de caracteres (OCR)▸ Sistemas de Recomendação▸ Retenção de clientes▸ Análise de Sentimento
Apresentação Introdução Classificação Regressão Dúvidas
O que éMachine Learning ?
Machine Learning (ou Aprendizado de Máquina) é uma sub-área daInteligência Arti�cial que estuda sistemas que podem aprender comdados. Alguns exemplos:▸ Classi�cador de Emails▸ Reconhecedor de caracteres (OCR)
▸ Sistemas de Recomendação▸ Retenção de clientes▸ Análise de Sentimento
Apresentação Introdução Classificação Regressão Dúvidas
O que éMachine Learning ?
Machine Learning (ou Aprendizado de Máquina) é uma sub-área daInteligência Arti�cial que estuda sistemas que podem aprender comdados. Alguns exemplos:▸ Classi�cador de Emails▸ Reconhecedor de caracteres (OCR)▸ Sistemas de Recomendação
▸ Retenção de clientes▸ Análise de Sentimento
Apresentação Introdução Classificação Regressão Dúvidas
O que éMachine Learning ?
Machine Learning (ou Aprendizado de Máquina) é uma sub-área daInteligência Arti�cial que estuda sistemas que podem aprender comdados. Alguns exemplos:▸ Classi�cador de Emails▸ Reconhecedor de caracteres (OCR)▸ Sistemas de Recomendação▸ Retenção de clientes
▸ Análise de Sentimento
Apresentação Introdução Classificação Regressão Dúvidas
O que éMachine Learning ?
Machine Learning (ou Aprendizado de Máquina) é uma sub-área daInteligência Arti�cial que estuda sistemas que podem aprender comdados. Alguns exemplos:▸ Classi�cador de Emails▸ Reconhecedor de caracteres (OCR)▸ Sistemas de Recomendação▸ Retenção de clientes▸ Análise de Sentimento
Apresentação Introdução Classificação Regressão Dúvidas
O problema
O problema de aprendizado geralmente considera um conjunto de namostras e tenta prever dados de uma amostra desconhecida. Aspropriedades de uma amostra são geralmente chamadas de features. Sãocategorizados em:
▸ Aprendizado Supervisionado (Supervised Learning)▸ Aprendizado Não-supervisionado (Unsupervised Learning)
NotaExistem também outras categorias (inclusive híbridas) que não serãoabordadas.
Apresentação Introdução Classificação Regressão Dúvidas
Supervisionado vs Não-supervisionado
No Aprendizado Supervisionado, os algoritmos são treinados comdados rotulados. Exemplo: Reconhecimento de Caracteres (OCR), ondeo treino é realizado com várias amostras de caracteres onde cadaimagem contém também um rótulo de qual caractere aquela imagemrepresenta.
No Aprendizado Não-supervisionado, os algoritmos operam emdados não rotulados. Um exemplo de algoritmo não-supervisionado é oclustering, em que amostras são agrupadas conforme o nível desimilaridade (ex: agrupar imagens semelhantes em um banco deimagens).
Apresentação Introdução Classificação Regressão Dúvidas
Supervisionado vs Não-supervisionado
No Aprendizado Supervisionado, os algoritmos são treinados comdados rotulados. Exemplo: Reconhecimento de Caracteres (OCR), ondeo treino é realizado com várias amostras de caracteres onde cadaimagem contém também um rótulo de qual caractere aquela imagemrepresenta.
No Aprendizado Não-supervisionado, os algoritmos operam emdados não rotulados. Um exemplo de algoritmo não-supervisionado é oclustering, em que amostras são agrupadas conforme o nível desimilaridade (ex: agrupar imagens semelhantes em um banco deimagens).
Apresentação Introdução Classificação Regressão Dúvidas
Aprendizado Supervisionado
No Aprendizado Supervisionado, temos dois tipos de problemas:
Classi�cação As amostras pertencem a duas ou mais classes (ex:spam/não-spam) e o objetivo é aprender através de dadosjá rotulados qual a classe de um dado novo não rotulado.A classi�cação pode também ser vista como umaprendizado de valores discretos.
Regressão Se a saída esperada do algoritmo é uma ou maisvariáveis contínuas, o problema é chamado de regressão.Um exemplo de regressão é prever o preço de um imóvellevando em consideração suas features (características)como o tamanho, número de quartos, número degaragens, etc.
Apresentação Introdução Classificação Regressão Dúvidas
Aprendizado Supervisionado
No Aprendizado Supervisionado, temos dois tipos de problemas:Classi�cação As amostras pertencem a duas ou mais classes (ex:
spam/não-spam) e o objetivo é aprender através de dadosjá rotulados qual a classe de um dado novo não rotulado.A classi�cação pode também ser vista como umaprendizado de valores discretos.
Regressão Se a saída esperada do algoritmo é uma ou maisvariáveis contínuas, o problema é chamado de regressão.Um exemplo de regressão é prever o preço de um imóvellevando em consideração suas features (características)como o tamanho, número de quartos, número degaragens, etc.
Apresentação Introdução Classificação Regressão Dúvidas
Aprendizado Supervisionado
No Aprendizado Supervisionado, temos dois tipos de problemas:Classi�cação As amostras pertencem a duas ou mais classes (ex:
spam/não-spam) e o objetivo é aprender através de dadosjá rotulados qual a classe de um dado novo não rotulado.A classi�cação pode também ser vista como umaprendizado de valores discretos.
Regressão Se a saída esperada do algoritmo é uma ou maisvariáveis contínuas, o problema é chamado de regressão.Um exemplo de regressão é prever o preço de um imóvellevando em consideração suas features (características)como o tamanho, número de quartos, número degaragens, etc.
Apresentação Introdução Classificação Regressão Dúvidas
Aprendizado Supervisionado
Figura: Diagrama de aprendizado supervisionado (por Olivier Grisel)
Apresentação Introdução Classificação Regressão Dúvidas
Scikit-Learn
Scikit-learn (sklearn) é um framework open-source de MachineLearning escrito em Python utilizando as plataformas Numpy/Scipy eMatplotlib.
▸ Ótima documentação▸ Inúmeros exemplos▸ Licença permissiva (BSD)▸ Utilizado por grandes empresas▸ Grande comunidade e muitos workshops
Apresentação Introdução Classificação Regressão Dúvidas
Scikit-Learn
Scikit-learn (sklearn) é um framework open-source de MachineLearning escrito em Python utilizando as plataformas Numpy/Scipy eMatplotlib.
▸ Ótima documentação
▸ Inúmeros exemplos▸ Licença permissiva (BSD)▸ Utilizado por grandes empresas▸ Grande comunidade e muitos workshops
Apresentação Introdução Classificação Regressão Dúvidas
Scikit-Learn
Scikit-learn (sklearn) é um framework open-source de MachineLearning escrito em Python utilizando as plataformas Numpy/Scipy eMatplotlib.
▸ Ótima documentação▸ Inúmeros exemplos
▸ Licença permissiva (BSD)▸ Utilizado por grandes empresas▸ Grande comunidade e muitos workshops
Apresentação Introdução Classificação Regressão Dúvidas
Scikit-Learn
Scikit-learn (sklearn) é um framework open-source de MachineLearning escrito em Python utilizando as plataformas Numpy/Scipy eMatplotlib.
▸ Ótima documentação▸ Inúmeros exemplos▸ Licença permissiva (BSD)
▸ Utilizado por grandes empresas▸ Grande comunidade e muitos workshops
Apresentação Introdução Classificação Regressão Dúvidas
Scikit-Learn
Scikit-learn (sklearn) é um framework open-source de MachineLearning escrito em Python utilizando as plataformas Numpy/Scipy eMatplotlib.
▸ Ótima documentação▸ Inúmeros exemplos▸ Licença permissiva (BSD)▸ Utilizado por grandes empresas
▸ Grande comunidade e muitos workshops
Apresentação Introdução Classificação Regressão Dúvidas
Scikit-Learn
Scikit-learn (sklearn) é um framework open-source de MachineLearning escrito em Python utilizando as plataformas Numpy/Scipy eMatplotlib.
▸ Ótima documentação▸ Inúmeros exemplos▸ Licença permissiva (BSD)▸ Utilizado por grandes empresas▸ Grande comunidade e muitos workshops
Apresentação Introdução Classificação Regressão Dúvidas
Parte III
[ Classificação \
Apresentação Introdução Classificação Regressão Dúvidas
Classificação - Hiperplano
Apresentação Introdução Classificação Regressão Dúvidas
Classificação - Hiperplano
Apresentação Introdução Classificação Regressão Dúvidas
Classificação - Hiperplano
Apresentação Introdução Classificação Regressão Dúvidas
Classificação - Reconhecimento de Caracteres
Para demonstrar um problema de classi�cação, vamos utilizar umconjunto de dados de dígitos escritos à mão para treinar um modeloque irá posteriormente reconhecer imagens de caracteres escritos a mão.O conjunto de dados que vamos utilizar contém:▸ 1.797 imagens rotuladas de caracteres escritos a mão▸ Aproximadamente 180 caracteres por classe▸ Cada imagem tem o tamanho 8x8 (64 pixels)▸ Cada pixel tem a intensidade de 0 à 16 (tons de cinza)
Apresentação Introdução Classificação Regressão Dúvidas
Classificação - Reconhecimento de Caracteres
Apresentação Introdução Classificação Regressão Dúvidas
Classificação - Reconhecimento de Caracteres
O pacote scikit-learn (sklearn) já vem com o dataset de dígitos:
>>> from sklearn import datasets>>> digitos = datasets.load_digits()>>> digitos.data.shape(1797L, 64L)>>> digitos.target.shape(1797L,)
NotaComo pode-se notar pelo formato dos dados do atributo data, o datasetcontém 1.797 amostras de caracteres contendo 64 pixels em cada uma dasamostras. Além dos dados temos os rótulos dos dados no atributo target.
Apresentação Introdução Classificação Regressão Dúvidas
Classificação - Reconhecimento de Caracteres
Apresentação Introdução Classificação Regressão Dúvidas
Classificação - Reconhecimento de Caracteres
>> digitos.data[0]array([ 0., 0., 5., 13., 9., 1., 0., 0., 0., 0., 13.,
15., 10., 15., 5., 0., 0., 3., 15., 2., 0., 11.,8., 0., 0., 4., 12., 0., 0., 8., 8., 0., 0.,5., 8., 0., 0., 9., 8., 0., 0., 4., 11., 0.,1., 12., 7., 0., 0., 2., 14., 5., 10., 12., 0.,0., 0., 0., 6., 13., 10., 0., 0., 0.])
>>> digitos.target[0]0
Apresentação Introdução Classificação Regressão Dúvidas
Classificação - Support VectorMachines
Para classi�car as imagens de caracteres vamos utilizar um métodomuito conhecido emMachine Learning, este método é chamado deSupport Vector Machine. SVM é uma técnica de classi�cação (ouregressão) que procura encontrar um modelo onde a separação entre asclasses tenha a maior margem possível.
Apresentação Introdução Classificação Regressão Dúvidas
Classificação - Support VectorMachines
Figura: Support Vector Machines (wikipedia)
Apresentação Introdução Classificação Regressão Dúvidas
Classificação - scikit-learn
Figura: API para Aprendizado Supervisionado do sklearn (por Olivier Grisel)
Apresentação Introdução Classificação Regressão Dúvidas
Classificação - scikit-learn + SVM
from sklearn import svm, datasetsdigitos = datasets.load_digits()modelo = svm.SVC(gamma=0.001)num_amostras = len(digitos.data)
modelo.fit(digitos.data[:num_amostras / 2],digitos.target[:num_amostras / 2])
classe_esperada = digitos.target[num_amostras / 2:]classe_descoberta =
modelo.predict(digitos.data[num_amostras / 2:])
Apresentação Introdução Classificação Regressão Dúvidas
Classificação - scikit-learn + SVM
from sklearn import svm, datasetsdigitos = datasets.load_digits()modelo = svm.SVC(gamma=0.001)num_amostras = len(digitos.data)
modelo.fit(digitos.data[:num_amostras / 2],digitos.target[:num_amostras / 2])
classe_esperada = digitos.target[num_amostras / 2:]classe_descoberta =
modelo.predict(digitos.data[num_amostras / 2:])
Apresentação Introdução Classificação Regressão Dúvidas
Classificação - scikit-learn + SVM
from sklearn import svm, datasetsdigitos = datasets.load_digits()modelo = svm.SVC(gamma=0.001)num_amostras = len(digitos.data)
modelo.fit(digitos.data[:num_amostras / 2],digitos.target[:num_amostras / 2])
classe_esperada = digitos.target[num_amostras / 2:]classe_descoberta =
modelo.predict(digitos.data[num_amostras / 2:])
Apresentação Introdução Classificação Regressão Dúvidas
Classificação - scikit-learn + SVM
>>> classe_esperada[25:35]array([8, 9, 0, 1, 2, 3, 4, 9, 6, 7])
>>> classe_descoberta[25:35]array([8, 9, 0, 1, 2, 3, 4, 5, 6, 7])
Apresentação Introdução Classificação Regressão Dúvidas
Classificação - Matriz de ConfusãoUma das maneiras avaliar o quão bem ummodelo se comporta, éutilizando umaMatriz de Confusão:>>> from sklearn import metrics>>> metrics.confusion_matrix(classe_esperada,... classe_descoberta)[[87 0 0 0 1 0 0 0 0 0][ 0 88 1 0 0 0 0 0 1 1][ 0 0 85 1 0 0 0 0 0 0][ 0 0 0 79 0 3 0 4 5 0][ 0 0 0 0 88 0 0 0 0 4][ 0 0 0 0 0 88 1 0 0 2][ 0 1 0 0 0 0 90 0 0 0][ 0 0 0 0 0 1 0 88 0 0][ 0 0 0 0 0 0 0 0 88 0][ 0 0 0 1 0 1 0 0 0 90]]
Apresentação Introdução Classificação Regressão Dúvidas
Classificação - Matriz de Confusão
Apresentação Introdução Classificação Regressão Dúvidas
Parte IV
[ Regressão \
Apresentação Introdução Classificação Regressão Dúvidas
RegressãoPara ilustrar como uma regressão funciona, utilizaremos o método deRegressão Linear em um conjunto de dados reais. O método deRegressão Linear é um dos métodos mais simples para se realizar umaregressão. Ele funciona traçando uma reta sobre os dados de forma queesta reta tenha a soma de residuais com o menor valor possível.
Figura: Regressao Linear
Apresentação Introdução Classificação Regressão Dúvidas
RegressãoPara ilustrar como uma regressão funciona, utilizaremos o método deRegressão Linear em um conjunto de dados reais. O método deRegressão Linear é um dos métodos mais simples para se realizar umaregressão. Ele funciona traçando uma reta sobre os dados de forma queesta reta tenha a soma de residuais com o menor valor possível.
Figura: Regressao Linear
Apresentação Introdução Classificação Regressão Dúvidas
Regressão Linear - Dados de ImóveisPara ilustrar como a Regressão Linear funciona, utilizaremos o métodoem um conjunto de dados reais de imóveis da cidade de Porto Alegre /RS. Este conjunto de dados foi extraído 1 em Março de 2014 do site deuma imobiliária e contém dados de aproximadamente 6.800 imóveis avenda.
Figura: Alguns imóveis do bairro Bela Vista.
1Utilizando BeautifulSoup
Apresentação Introdução Classificação Regressão Dúvidas
Regressão Linear - Dados de Imóveis
Figura: Scatter plot de imóveis do bairro Bela Vista.
Apresentação Introdução Classificação Regressão Dúvidas
Regressão Linear - Dados de Imóveis
Figura: Scatter plot de imóveis do bairro Centro.
Apresentação Introdução Classificação Regressão Dúvidas
Regressão Linear - Dados de Imóveis
Figura: Scatter plot de imóveis do Centro (vermelho) e Bela Vista (azul).
Apresentação Introdução Classificação Regressão Dúvidas
Regressão Linear
Para realizar a Regressao Linear, usaremos apenas 1 feature (parafacilitar a visualização da regressão).
Como entrada utilizaremos o dado da área do imóvel (em mtsquadrados) e como saída esperada (valor que queremos prever baseadona área) utilizaremos o valor do imóvel em reais.
Apresentação Introdução Classificação Regressão Dúvidas
Regressão Linear
Para realizar a Regressao Linear, usaremos apenas 1 feature (parafacilitar a visualização da regressão).
Como entrada utilizaremos o dado da área do imóvel (em mtsquadrados) e como saída esperada (valor que queremos prever baseadona área) utilizaremos o valor do imóvel em reais.
Apresentação Introdução Classificação Regressão Dúvidas
Regressão Linear - Overfitting
Se em tudo o mais foremidênticas as várias explicaçõesde um fenômeno, a maissimples é a melhor.—Guilherme de Ockham
(1288-1347)
Apresentação Introdução Classificação Regressão Dúvidas
Regressão Linear - Overfitting
Apresentação Introdução Classificação Regressão Dúvidas
Regressão Linear
>>> from sklearn import linear_model>>> from sklearn.cross_validation import train_test_split>>> model = linear_model.LinearRegression()
>>> area, preco = imobiliaria.load_data("Bela Vista")>>> area_train, area_test, preco_train, preco_test = \
train_test_split(area, preco, test_size=0.20)>>> model.fit(area_train, preco_train)
>>> model.predict(56)247882.22260541
>>> model.score(area_test, preco_test)0.77655417131351878
Apresentação Introdução Classificação Regressão Dúvidas
Regressão Linear
>>> from sklearn import linear_model>>> from sklearn.cross_validation import train_test_split>>> model = linear_model.LinearRegression()
>>> area, preco = imobiliaria.load_data("Bela Vista")>>> area_train, area_test, preco_train, preco_test = \
train_test_split(area, preco, test_size=0.20)>>> model.fit(area_train, preco_train)
>>> model.predict(56)247882.22260541
>>> model.score(area_test, preco_test)0.77655417131351878
Apresentação Introdução Classificação Regressão Dúvidas
Regressão Linear
>>> from sklearn import linear_model>>> from sklearn.cross_validation import train_test_split>>> model = linear_model.LinearRegression()
>>> area, preco = imobiliaria.load_data("Bela Vista")>>> area_train, area_test, preco_train, preco_test = \
train_test_split(area, preco, test_size=0.20)>>> model.fit(area_train, preco_train)
>>> model.predict(56)247882.22260541
>>> model.score(area_test, preco_test)0.77655417131351878
Apresentação Introdução Classificação Regressão Dúvidas
Regressão Linear
>>> from sklearn import linear_model>>> from sklearn.cross_validation import train_test_split>>> model = linear_model.LinearRegression()
>>> area, preco = imobiliaria.load_data("Bela Vista")>>> area_train, area_test, preco_train, preco_test = \
train_test_split(area, preco, test_size=0.20)>>> model.fit(area_train, preco_train)
>>> model.predict(56)247882.22260541
>>> model.score(area_test, preco_test)0.77655417131351878
Apresentação Introdução Classificação Regressão Dúvidas
Regressão Linearimport matplotlib.pyplot as pltplt.scatter(area, preco, alpha=0.5)plt.plot(area, model.predict(area), color="red")
Figura: Regressão Linear e dados de treino.
Apresentação Introdução Classificação Regressão Dúvidas
Regressão Linearimport matplotlib.pyplot as pltplt.scatter(area, preco, alpha=0.5)plt.plot(area, model.predict(area), color="red")
Figura: Regressão Linear e dados de treino.
Apresentação Introdução Classificação Regressão Dúvidas
Regressão Linear - Múltiplas featuresNo modelo anterior, utilizamos apenas uma feature (área do imóvel)para criar um modelo, mas ainda temos um dado com um ótimo valorpreditivo.
Podemos incorporar este novo dado em uma nova feature do nossomodelo para reduzir o erro do nosso modelo.
Apresentação Introdução Classificação Regressão Dúvidas
Regressão Linear - Múltiplas features
Apresentação Introdução Classificação Regressão Dúvidas
Regressão Linear - Múltiplas features
features, preco = imobiliaria.load_data("Bela Vista")features_train, features_test, preco_train, preco_test = \
train_test_split(features, preco, test_size=0.20)
model.fit(features_train, preco_train)
model.score(features_test, preco_test)0.81960426250252283
Melhora no score de 0.77 para 0.81.
Apresentação Introdução Classificação Regressão Dúvidas
Regressão Linear - Múltiplas features
features, preco = imobiliaria.load_data("Bela Vista")features_train, features_test, preco_train, preco_test = \
train_test_split(features, preco, test_size=0.20)
model.fit(features_train, preco_train)
model.score(features_test, preco_test)0.81960426250252283
Melhora no score de 0.77 para 0.81.
Apresentação Introdução Classificação Regressão Dúvidas
Regressão Linear - Múltiplas features
features, preco = imobiliaria.load_data("Bela Vista")features_train, features_test, preco_train, preco_test = \
train_test_split(features, preco, test_size=0.20)
model.fit(features_train, preco_train)
model.score(features_test, preco_test)0.81960426250252283
Melhora no score de 0.77 para 0.81.
Apresentação Introdução Classificação Regressão Dúvidas
Regressão Linear - Múltiplas features
features, preco = imobiliaria.load_data("Bela Vista")features_train, features_test, preco_train, preco_test = \
train_test_split(features, preco, test_size=0.20)
model.fit(features_train, preco_train)
model.score(features_test, preco_test)0.81960426250252283
Melhora no score de 0.77 para 0.81.
Apresentação Introdução Classificação Regressão Dúvidas
Regressão Linear - Múltiplas features
Utilizando o modelo de regressão que treinamos, podemos fazerperguntas como por exemplo, qual seria a estimativa de preço para umimóvel de 56 m2 com apenas 1 dormitório localizado no bairro BelaVista ?
linear_model.predict([56, 1])array([ 216157.98252844])
Ou seja: um imóvel de 1 dormitório com 56 m2 no bairro Bela Vistaem Porto Alegre custaria aproximadamente R$216.157,00.
Apresentação Introdução Classificação Regressão Dúvidas
Regressão Linear - Múltiplas features
Utilizando o modelo de regressão que treinamos, podemos fazerperguntas como por exemplo, qual seria a estimativa de preço para umimóvel de 56 m2 com apenas 1 dormitório localizado no bairro BelaVista ?
linear_model.predict([56, 1])array([ 216157.98252844])
Ou seja: um imóvel de 1 dormitório com 56 m2 no bairro Bela Vistaem Porto Alegre custaria aproximadamente R$216.157,00.
Apresentação Introdução Classificação Regressão Dúvidas
Parte V
[ Dúvidas \
Apresentação Introdução Classificação Regressão Dúvidas
Dúvidas ?
Junte-se ao PyTchê ! Acesse http://pytche.org