Compartilhar via

HyperParameterTuning - Combatendo o câncer de mama

  • Artigo

Este tutorial mostra como o SynapseML pode ser usado para identificar a melhor combinação de hiperparâmetros para os classificadores escolhidos, resultando em modelos mais precisos e confiáveis. Para demonstrar isso, mostraremos como executar o ajuste de hiperparâmetro de pesquisa de grade aleatória distribuída para criar um modelo para identificar o câncer de mama.

1 - Configurar dependências

Comece importando o Pandas e configurando nossa sessão do Spark.

import pandas as pd
from pyspark.sql import SparkSession

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

Em seguida, leia os dados e divida-os em conjuntos de ajuste e teste.

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 os modelos a serem usados.

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 - Encontrar o melhor modelo usando o AutoML

Importe as classes AutoML do SynapseML de synapse.ml.automl. Especifique os hiperparâmetros usando o HyperparamBuilder. Adicione os hiperparâmetros DiscreteHyperParam ou RangeHyperParam . TuneHyperparameters escolherá aleatoriamente valores de uma distribuição 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)

Em seguida, execute TuneHyperparameters para obter o melhor modelo.

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

3 - Avaliar o modelo

Podemos exibir os parâmetros do melhor modelo e recuperar o melhor pipeline de modelo subjacente

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

Podemos pontuar em relação ao conjunto de testes e exibir métricas.

from synapse.ml.train import ComputeModelStatistics

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

Conteúdo relacionado