/
model.py
executable file
·307 lines (269 loc) · 13.7 KB
/
model.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
#!/usr/bin/python3.4
# -*- coding: utf-8 -*-
import argparse, sys, pickle
from itertools import combinations
import pandas as ps
import numpy as np
import networkx as nx
import matplotlib
import matplotlib.pyplot as plt
from sklearn.metrics import classification_report
from sklearn.linear_model import LogisticRegression
from sklearn.neighbors import KNeighborsClassifier
from sklearn.ensemble import RandomForestClassifier
from sklearn.svm import SVC
'''
Модуль, осуществляющий обучение и использование модели.
Использование:
-t TRAINFILE - обучить модель на выборке
-o OUTFILE - сохранить обученную модель в файл
-i INFILE - прочитать модель из файла
-v TESTFILE - оценить производительность модели на выборке
-p INFILE OUTFILE - предсказать значения целевой функции
для выборки INFILE и записать результат в OUTFILE
-c TRAINFILE TESTFILE - оценить производительность всех возможных
моделей, обучив их на выборке из TRAINFILE и проверив точность
на выборке из TESTFILE
-r SEED - задать семя генератора псевдослучайных чисел
Пример использования:
model.py -t prepared-500-s300.csv -v prepared-500-s700.csv
'''
def draw_plots(data, seed = None):
# Перемешать выборку:
if seed is not None:
np.random.seed(seed)
data = data.iloc[np.random.permutation(len(data))]
# Выбрать все записи, значение целевой функции которых равно 1,
# и ровно столько же записей со значением целевой функции 0:
pos_data = data[data["similar"] == 1.0]
neg_data = data[data["similar"] == 0.0][:len(pos_data)]
data = ps.concat([pos_data, neg_data])
features = ["S", "NAME"]
d0 = data[data["similar"] == 0]
d1 = data[data["similar"] == 1]
for f1, f2 in combinations(features, 2):
plt.xlabel(f1)
plt.ylabel(f2)
plt.scatter(d0[f1], d0[f2], color="red", alpha=0.25)
plt.scatter(d1[f1], d1[f2], color="green", alpha=0.25)
plt.show()
def draw_graph(data):
graph = nx.Graph()
ids = set()
for ind, row in data.iterrows():
ids.add(row["id1"])
ids.add(row["id2"])
nums = {id: i for i, id in enumerate(sorted(ids))}
for ind, row in data.iterrows():
id1, id2 = nums[row["id1"]], nums[row["id2"]]
graph.add_node(id1)
graph.add_node(id2)
if row["similar"]:
graph.add_edge(id1, id2)
nx.draw_networkx(graph)
plt.show()
def all_models(seed = None):
'''
Сгенерировать все возможные типы моделей.
Аргументы:
seed - семя генератора псевдослучайных чисел
Возвращает: список моделей (не обученных)
'''
models = []
for pen in ("l1", "l2"):
for tol in range(1, 31):
tol *= 0.01
models.append({"model": LogisticRegression(penalty=pen, tol=tol, random_state=seed),
"txt": "LogReg (pen: {}, tol: {})".format(pen, tol)})
for C in range(1, 21):
C *= 0.1
for kernel in ('linear', 'poly', 'rbf', 'sigmoid'):
models.append({"model": SVC(C=C, kernel=kernel, random_state=seed),
"txt": "SVC (C: {}, kernel: {})".format(C, kernel)})
for weights in ("uniform", "distance"):
for n in range(1, 60, 3):
models.append({"model": KNeighborsClassifier(n, weights),
"txt": "KNeighbors (n: {}, wieghts: {})".format(n, weights)})
for n in range(3, 61, 3):
for depth in tuple(range(1, 8)) + (None,):
for crit in ("gini", "entropy"):
models.append({"model": RandomForestClassifier(n, crit, depth, random_state=seed),
"txt": "RFC (n: {}, crit: {}, depth: {})".format(
n, crit, depth)})
return models
def compete_models(train, test, seed = None):
'''
Осуществить оценку моделей по 4 показателям:
- Общая точность
- Процент верно предсказанных 0
- Процент верно предсказанных 1
- Среднее арифметическое двух предыдущих значений
Аргументы:
train - DataFrame с обучающей выборкой
test - DataFrame с тестовой выборкой (должно быть указано
значение целевой функции)
seed - семя генератора псевдослучайных чисел
Возвращает: None
'''
# Перемешать обучающую выборку:
if seed is not None:
np.random.seed(seed)
train = train.iloc[np.random.permutation(len(train))]
# Выбрать все записи, значение целевой функции которых равно 1,
# и ровно столько же записей со значением целевой функции 0:
pos_data = train[train["similar"] == 1.0]
neg_data = train[train["similar"] == 0.0][:len(pos_data)]
train = ps.concat([pos_data, neg_data])
print("Размер учебной выборки: {}".format(len(train)))
# Выделить данные и значения целевой функции:
X1 = train.drop(["id1", "id2", "similar"], axis=1)
y1 = train["similar"]
X2 = test.drop(["id1", "id2", "similar"], axis=1)
y2 = test["similar"]
# Провести оценку каждой модели:
models = all_models(seed)
for mdl in models:
mdl["model"].fit(X1, y1)
y = mdl["model"].predict(X2)
res = ps.DataFrame({"y": y2, "p": y}, index=None)
mdl["prec"] = res[res["p"] == 1]["y"].mean()
mdl["recall"] = res[res["y"] == 1]["p"].mean()
mdl["f1"] = 2/(1/mdl["prec"] + 1/mdl["recall"])
print("{}: f1 {:.4f}, prec {:.4f}, recall {:.4f}".format(
mdl["txt"], mdl["f1"], mdl["prec"], mdl["recall"]))
# Выбираем лучшую модель по f1 score:
best = max(models, key=lambda x: x["f1"])
print("Лучшая модель: {} (f1 {:.4f}, prec {:.4f}, recall {:.4f})".format(
best["txt"], best["f1"], best["prec"], best["recall"]))
def train_model(data, seed = None):
'''
Осуществить обучение модели на выборке.
Аргументы:
data - DataFrame с обучающей выборкой
seed - семя генератора псевдослучайных чисел
Возвращает: обученную модель
'''
# Перемешать выборку:
if seed is not None:
np.random.seed(seed)
data = data.iloc[np.random.permutation(len(data))]
# Выбрать все записи, значение целевой функции которых равно 1,
# и ровно столько же записей со значением целевой функции 0:
pos_data = data[data["similar"] == 1.0]
neg_data = data[data["similar"] == 0.0][:len(pos_data)]
data = ps.concat([pos_data, neg_data])
print("Размер учебной выборки: {}".format(len(data)))
# Выделить данные и значения целевой функции:
X = data.drop(["id1", "id2", "similar"], axis=1)
y = data["similar"]
# Обучить модель:
#model = LogisticRegression(penalty='l1', tol=0.28, random_state=seed)
#model = RandomForestClassifier(60, 'entropy', 7, random_state=seed)
#model = KNeighborsClassifier(28, "uniform")
model = SVC(C=0.1, kernel='poly', random_state=seed)
model.fit(X, y)
#print(X.columns, '\n', model.feature_importances_)
return model
def validate_model(model, data, visualize):
'''
Проверить производительность модели на выборке.
Аргументы:
model - обученная модель
data - DataFrame с тестовыми данными (в данных должны быть
указаны значения целевой функции)
Возвращает: None
'''
# Отделить данные, фактические значения функции и предсказанные:
X = data.drop(["id1", "id2", "similar"], axis=1)
y = data["similar"]
p = model.predict(X)
res = ps.DataFrame({"y": y, "p": p}, index=None)
# Визуализировать графы:
if visualize:
ids = ps.DataFrame({"id1": data["id1"], "id2": data["id2"]})
draw_graph(ps.concat([ids, ps.DataFrame({"similar": y})], axis=1))
draw_graph(ps.concat([ids, ps.DataFrame({"similar": p})], axis=1))
# Оценить производительность модели:
score = (p == y).mean()
report = classification_report(y, p)
p_vs_o = ps.DataFrame({"predicted 0": [
len(res[(res["p"] == 0) & (res["y"] == 0)]),
len(res[(res["p"] == 0) & (res["y"] == 1)]),
],
"predicted 1": [
len(res[(res["p"] == 1) & (res["y"] == 0)]),
len(res[(res["p"] == 1) & (res["y"] == 1)]),
]}, index=["observed 0", "observed 1"])
print("Размер тестовой выборки: {}".format(len(data)))
print('\n', report, '\n', p_vs_o)
def predict_values(model, data):
'''
Предсказать значения целевой функции на данной выборке.
Аргументы:
model - обученная модель
data - DataFrame с данными (наличие или отсутствие
значений целевой функции не играет роли)
Возвращает: исходные данные с предсказанными значениями
целевой функции
'''
if "similar" in data.columns:
X = data.drop(["id1", "id2", "similar"], axis=1)
else:
X = data.drop(["id1", "id2"], axis=1)
y = model.predict(X)
return ps.concat([data, ps.DataFrame({"similar": y}, index=None)], axis=1)
def main():
parser = argparse.ArgumentParser()
parser.add_argument("-i", "--input", help="загрузить модель из файла", metavar="FILE")
parser.add_argument("-t", "--train", help="обучить модель на данных", metavar="FILE")
parser.add_argument("-c", "--compete", help="проверить производительность моделей", nargs=2, metavar=("TRAIN", "TEST"))
parser.add_argument("-o", "--output", help="записать модель в файл", metavar="FILE")
parser.add_argument("-v", "--validate", help="проверить производительность модели на выборке", metavar="FILE")
parser.add_argument("-g", "--graph", help="визуализировать графы (работает только с -v)", action="store_true")
parser.add_argument("-d", "--draw", help="нарисовать графики для данных", metavar="FILE")
parser.add_argument("-p", "--predict", help="предсказать значения для выборки", nargs=2, metavar=("INFILE", "OUTFILE"))
parser.add_argument("-r", "--random", help="семя генератора псевдослучайных чисел", metavar="SEED", type=int)
args = parser.parse_args()
if args.draw:
print("Читаю обучающую выборку...", end=' ')
sys.stdout.flush()
data = ps.read_csv(args.draw)
print("ОК.")
draw_plots(data, args.random)
if args.input:
model = pickle.load(open(args.input, "rb"))
elif args.train:
print("Читаю обучающую выборку...", end=' ')
sys.stdout.flush()
data = ps.read_csv(args.train)
print("ОК.")
model = train_model(data, args.random)
elif args.compete:
print("Читаю обучающую выборку...", end=' ')
sys.stdout.flush()
train = ps.read_csv(args.compete[0])
print("ОК.")
print("Читаю тестовую выборку...", end=' ')
sys.stdout.flush()
test = ps.read_csv(args.compete[1])
print("ОК.")
compete_models(train, test, args.random)
else:
return print("Не указано, откуда брать модель (ключи -i, -t, -c)")
if not (args.validate or args.predict or args.output):
return print("Не указано, что делать с моделью (ключи -v, -p, -o, -c)")
if args.validate:
print("Читаю тестовые данные...", end=' ')
sys.stdout.flush()
test = ps.read_csv(args.validate)
print("ОК.")
validate_model(model, test, args.graph)
if args.predict:
infile, outfile = args.predict
to_predict = ps.read_csv(infile)
predicted = predict_values(model, to_predict)
predicted.to_csv(outfile)
if args.output:
pickle.dump(model, open(args.output, "wb"))
if __name__ == "__main__":
main()