microsoft--ml-for-beginners
wehub-resource-sync
275 行
13 KiB
Plaintext
275 行
13 KiB
Plaintext
{
|
||
"cells": [
|
||
{
|
||
"source": [
|
||
"# Xây Dựng Thêm Các Mô Hình Phân Loại\n"
|
||
],
|
||
"cell_type": "markdown",
|
||
"metadata": {}
|
||
},
|
||
{
|
||
"cell_type": "markdown",
|
||
"metadata": {},
|
||
"source": [
|
||
"### Tổng quan bộ dữ liệu\n",
|
||
"Bộ dữ liệu này chứa các mẫu cá nhân (ví dụ, công thức nấu ăn) được gắn nhãn theo ẩm thực.\n",
|
||
"Mỗi hàng tương ứng với một mẫu/bản ghi duy nhất, và các cột đại diện cho các thành phần hoặc thuộc tính khác được sử dụng để phân loại, bao gồm cả nhãn `cuisine`.\n"
|
||
]
|
||
},
|
||
{
|
||
"cell_type": "code",
|
||
"execution_count": 1,
|
||
"metadata": {},
|
||
"outputs": [],
|
||
"source": [
|
||
"import pandas as pd\n",
|
||
"# Load dataset containing cuisine features\n",
|
||
"cuisines_df = pd.read_csv(\"../../data/cleaned_cuisines.csv\")\n",
|
||
"cuisines_df.head()"
|
||
]
|
||
},
|
||
{
|
||
"cell_type": "code",
|
||
"execution_count": 2,
|
||
"metadata": {},
|
||
"outputs": [
|
||
{
|
||
"output_type": "execute_result",
|
||
"data": {
|
||
"text/plain": [
|
||
"0 indian\n",
|
||
"1 indian\n",
|
||
"2 indian\n",
|
||
"3 indian\n",
|
||
"4 indian\n",
|
||
"Name: cuisine, dtype: object"
|
||
]
|
||
},
|
||
"metadata": {},
|
||
"execution_count": 2
|
||
}
|
||
],
|
||
"source": [
|
||
"cuisines_label_df = cuisines_df['cuisine']\n",
|
||
"cuisines_label_df.head()"
|
||
]
|
||
},
|
||
{
|
||
"cell_type": "code",
|
||
"execution_count": 3,
|
||
"metadata": {},
|
||
"outputs": [
|
||
{
|
||
"output_type": "execute_result",
|
||
"data": {
|
||
"text/plain": [
|
||
" almond angelica anise anise_seed apple apple_brandy apricot \\\n",
|
||
"0 0 0 0 0 0 0 0 \n",
|
||
"1 1 0 0 0 0 0 0 \n",
|
||
"2 0 0 0 0 0 0 0 \n",
|
||
"3 0 0 0 0 0 0 0 \n",
|
||
"4 0 0 0 0 0 0 0 \n",
|
||
"\n",
|
||
" armagnac artemisia artichoke ... whiskey white_bread white_wine \\\n",
|
||
"0 0 0 0 ... 0 0 0 \n",
|
||
"1 0 0 0 ... 0 0 0 \n",
|
||
"2 0 0 0 ... 0 0 0 \n",
|
||
"3 0 0 0 ... 0 0 0 \n",
|
||
"4 0 0 0 ... 0 0 0 \n",
|
||
"\n",
|
||
" whole_grain_wheat_flour wine wood yam yeast yogurt zucchini \n",
|
||
"0 0 0 0 0 0 0 0 \n",
|
||
"1 0 0 0 0 0 0 0 \n",
|
||
"2 0 0 0 0 0 0 0 \n",
|
||
"3 0 0 0 0 0 0 0 \n",
|
||
"4 0 0 0 0 0 1 0 \n",
|
||
"\n",
|
||
"[5 rows x 380 columns]"
|
||
],
|
||
"text/html": "<div>\n<style scoped>\n .dataframe tbody tr th:only-of-type {\n vertical-align: middle;\n }\n\n .dataframe tbody tr th {\n vertical-align: top;\n }\n\n .dataframe thead th {\n text-align: right;\n }\n</style>\n<table border=\"1\" class=\"dataframe\">\n <thead>\n <tr style=\"text-align: right;\">\n <th></th>\n <th>almond</th>\n <th>angelica</th>\n <th>anise</th>\n <th>anise_seed</th>\n <th>apple</th>\n <th>apple_brandy</th>\n <th>apricot</th>\n <th>armagnac</th>\n <th>artemisia</th>\n <th>artichoke</th>\n <th>...</th>\n <th>whiskey</th>\n <th>white_bread</th>\n <th>white_wine</th>\n <th>whole_grain_wheat_flour</th>\n <th>wine</th>\n <th>wood</th>\n <th>yam</th>\n <th>yeast</th>\n <th>yogurt</th>\n <th>zucchini</th>\n </tr>\n </thead>\n <tbody>\n <tr>\n <th>0</th>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n <td>...</td>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n </tr>\n <tr>\n <th>1</th>\n <td>1</td>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n <td>...</td>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n </tr>\n <tr>\n <th>2</th>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n <td>...</td>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n </tr>\n <tr>\n <th>3</th>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n <td>...</td>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n </tr>\n <tr>\n <th>4</th>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n <td>...</td>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n <td>0</td>\n <td>1</td>\n <td>0</td>\n </tr>\n </tbody>\n</table>\n<p>5 rows × 380 columns</p>\n</div>"
|
||
},
|
||
"metadata": {},
|
||
"execution_count": 3
|
||
}
|
||
],
|
||
"source": [
|
||
"cuisines_features_df = cuisines_df.drop(['Unnamed: 0', 'cuisine'], axis=1)\n",
|
||
"cuisines_features_df.head()"
|
||
]
|
||
},
|
||
{
|
||
"cell_type": "markdown",
|
||
"metadata": {},
|
||
"source": [
|
||
"# Thử các bộ phân loại khác nhau\n"
|
||
]
|
||
},
|
||
{
|
||
"cell_type": "code",
|
||
"execution_count": 4,
|
||
"metadata": {},
|
||
"outputs": [],
|
||
"source": [
|
||
"from sklearn.neighbors import KNeighborsClassifier\n",
|
||
"from sklearn.linear_model import LogisticRegression\n",
|
||
"from sklearn.svm import SVC\n",
|
||
"from sklearn.ensemble import RandomForestClassifier, AdaBoostClassifier\n",
|
||
"from sklearn.model_selection import train_test_split, cross_val_score\n",
|
||
"from sklearn.metrics import accuracy_score,precision_score,confusion_matrix,classification_report, precision_recall_curve\n",
|
||
"import numpy as np"
|
||
]
|
||
},
|
||
{
|
||
"cell_type": "code",
|
||
"execution_count": 5,
|
||
"metadata": {},
|
||
"outputs": [],
|
||
"source": [
|
||
"X_train, X_test, y_train, y_test = train_test_split(cuisines_features_df, cuisines_label_df, test_size=0.3)"
|
||
]
|
||
},
|
||
{
|
||
"cell_type": "code",
|
||
"execution_count": 6,
|
||
"metadata": {},
|
||
"outputs": [],
|
||
"source": [
|
||
"\n",
|
||
"C = 10\n",
|
||
"# Create different classifiers.\n",
|
||
"classifiers = {\n",
|
||
" 'Linear SVC': SVC(kernel='linear', C=C, probability=True,random_state=0),\n",
|
||
" 'KNN classifier': KNeighborsClassifier(C),\n",
|
||
" 'SVC': SVC(),\n",
|
||
" 'RFST': RandomForestClassifier(n_estimators=100),\n",
|
||
" 'ADA': AdaBoostClassifier(n_estimators=100)\n",
|
||
" \n",
|
||
"}\n"
|
||
]
|
||
},
|
||
{
|
||
"cell_type": "code",
|
||
"execution_count": 7,
|
||
"metadata": {},
|
||
"outputs": [
|
||
{
|
||
"output_type": "stream",
|
||
"name": "stdout",
|
||
"text": [
|
||
"Accuracy (train) for Linear SVC: 76.4% \n",
|
||
" precision recall f1-score support\n",
|
||
"\n",
|
||
" chinese 0.64 0.66 0.65 242\n",
|
||
" indian 0.91 0.86 0.89 236\n",
|
||
" japanese 0.72 0.73 0.73 245\n",
|
||
" korean 0.83 0.75 0.79 234\n",
|
||
" thai 0.75 0.82 0.78 242\n",
|
||
"\n",
|
||
" accuracy 0.76 1199\n",
|
||
" macro avg 0.77 0.76 0.77 1199\n",
|
||
"weighted avg 0.77 0.76 0.77 1199\n",
|
||
"\n",
|
||
"Accuracy (train) for KNN classifier: 70.7% \n",
|
||
" precision recall f1-score support\n",
|
||
"\n",
|
||
" chinese 0.65 0.63 0.64 242\n",
|
||
" indian 0.84 0.81 0.82 236\n",
|
||
" japanese 0.60 0.81 0.69 245\n",
|
||
" korean 0.89 0.53 0.67 234\n",
|
||
" thai 0.69 0.75 0.72 242\n",
|
||
"\n",
|
||
" accuracy 0.71 1199\n",
|
||
" macro avg 0.73 0.71 0.71 1199\n",
|
||
"weighted avg 0.73 0.71 0.71 1199\n",
|
||
"\n",
|
||
"Accuracy (train) for SVC: 80.1% \n",
|
||
" precision recall f1-score support\n",
|
||
"\n",
|
||
" chinese 0.71 0.69 0.70 242\n",
|
||
" indian 0.92 0.92 0.92 236\n",
|
||
" japanese 0.77 0.78 0.77 245\n",
|
||
" korean 0.87 0.77 0.82 234\n",
|
||
" thai 0.75 0.86 0.80 242\n",
|
||
"\n",
|
||
" accuracy 0.80 1199\n",
|
||
" macro avg 0.80 0.80 0.80 1199\n",
|
||
"weighted avg 0.80 0.80 0.80 1199\n",
|
||
"\n",
|
||
"Accuracy (train) for RFST: 82.8% \n",
|
||
" precision recall f1-score support\n",
|
||
"\n",
|
||
" chinese 0.80 0.75 0.77 242\n",
|
||
" indian 0.90 0.91 0.90 236\n",
|
||
" japanese 0.82 0.78 0.80 245\n",
|
||
" korean 0.85 0.82 0.83 234\n",
|
||
" thai 0.78 0.89 0.83 242\n",
|
||
"\n",
|
||
" accuracy 0.83 1199\n",
|
||
" macro avg 0.83 0.83 0.83 1199\n",
|
||
"weighted avg 0.83 0.83 0.83 1199\n",
|
||
"\n",
|
||
"Accuracy (train) for ADA: 71.1% \n",
|
||
" precision recall f1-score support\n",
|
||
"\n",
|
||
" chinese 0.60 0.57 0.58 242\n",
|
||
" indian 0.87 0.84 0.86 236\n",
|
||
" japanese 0.71 0.60 0.65 245\n",
|
||
" korean 0.68 0.78 0.72 234\n",
|
||
" thai 0.70 0.78 0.74 242\n",
|
||
"\n",
|
||
" accuracy 0.71 1199\n",
|
||
" macro avg 0.71 0.71 0.71 1199\n",
|
||
"weighted avg 0.71 0.71 0.71 1199\n",
|
||
"\n"
|
||
]
|
||
}
|
||
],
|
||
"source": [
|
||
"n_classifiers = len(classifiers)\n",
|
||
"\n",
|
||
"for index, (name, classifier) in enumerate(classifiers.items()):\n",
|
||
" classifier.fit(X_train, np.ravel(y_train))\n",
|
||
"\n",
|
||
" y_pred = classifier.predict(X_test)\n",
|
||
" accuracy = accuracy_score(y_test, y_pred)\n",
|
||
" print(\"Accuracy (train) for %s: %0.1f%% \" % (name, accuracy * 100))\n",
|
||
" print(classification_report(y_test,y_pred))"
|
||
]
|
||
},
|
||
{
|
||
"cell_type": "markdown",
|
||
"metadata": {},
|
||
"source": [
|
||
"---\n\n<!-- CO-OP TRANSLATOR DISCLAIMER START -->\n**Tuyên bố từ chối trách nhiệm**: \nTài liệu này đã được dịch bằng dịch vụ dịch thuật AI [Co-op Translator](https://github.com/Azure/co-op-translator). Mặc dù chúng tôi cố gắng đảm bảo tính chính xác, xin lưu ý rằng bản dịch tự động có thể chứa lỗi hoặc sự không chính xác. Tài liệu gốc bằng ngôn ngữ gốc nên được xem là nguồn tham khảo chính xác nhất. Đối với các thông tin quan trọng, việc dịch thuật chuyên nghiệp bởi con người được khuyến nghị. Chúng tôi không chịu trách nhiệm cho bất kỳ sự hiểu nhầm hoặc giải thích sai nào phát sinh từ việc sử dụng bản dịch này.\n<!-- CO-OP TRANSLATOR DISCLAIMER END -->\n"
|
||
]
|
||
}
|
||
],
|
||
"metadata": {
|
||
"interpreter": {
|
||
"hash": "70b38d7a306a849643e446cd70466270a13445e5987dfa1344ef2b127438fa4d"
|
||
},
|
||
"kernelspec": {
|
||
"name": "python3",
|
||
"display_name": "Python 3.7.0 64-bit ('3.7')"
|
||
},
|
||
"language_info": {
|
||
"codemirror_mode": {
|
||
"name": "ipython",
|
||
"version": 3
|
||
},
|
||
"file_extension": ".py",
|
||
"mimetype": "text/x-python",
|
||
"name": "python",
|
||
"nbconvert_exporter": "python",
|
||
"pygments_lexer": "ipython3",
|
||
"version": "3.7.0"
|
||
},
|
||
"metadata": {
|
||
"interpreter": {
|
||
"hash": "70b38d7a306a849643e446cd70466270a13445e5987dfa1344ef2b127438fa4d"
|
||
}
|
||
}
|
||
},
|
||
"nbformat": 4,
|
||
"nbformat_minor": 4
|
||
} |