pop_size=args.popsize,
# search_timeout es el tiempo máximo total que queremos dedicarle a la búsqueda en segundos
search_timeout=args.global_timeout,
# evaluation_timeout es el tiempo máximo para un pipeline, si la ejecución del pipeline se pasa de este texto
# se detenine y se le asigna fitness cero.
evaluation_timeout=args.timeout,
# cantidad máxima de RAM por pipeline. Este número debe ser inferior a la RAM del dispositivo donde se ejecute la experimentación
# para evitar que el despositivo de bloquee.
memory_limit=args.memory * 1024 ** 3,
),
# cross_validation_steps cantidad de veces que se evalúa cada pipeline
cross_validation_steps=3,
# validation_split por ciento del tamaño del training set que se utiliza para cross validation.
validation_split=0.3,
# cross_validation es la métrica que se utiliza para mezclar los score de los cross_validation_steps. También está "mean"
cross_validation="median",
# random_state es un número para fijar la semilla random de la búsqueda. Esto nos puede ayudar a que aparezcan pipelines similares a los de
# otra ejecución.
random_state=None,
# errors determina que se hce cuando un pipeline lanza una excepción. "warn" lanza un wargnig, "ïgnore" los ignora y
# "raise" que lanza la excepción y detiene la ejecución.
errors="warn",
)
# Entrenando.....
automl.fit(X_train, y_train)
# Conociemdo que tan bueno es nuestro algoritmo
result = automl.score(X_test, y_test)
print(result)
with open("haha.log", "a") as fp:
fp.write(f"solution={repr(new_best)}\nfitness={new_fn}\n\n")
# Basic logging configuration.
logger = MemoryLogger()
loggers = [ProgressLogger(), ConsoleLogger(), logger]
if args.token:
from autogoal.contrib.telegram import TelegramLogger
telegram = TelegramLogger(
token=args.token,
name=f"HAHA",
channel=args.channel,
)
loggers.append(telegram)
# Finally, loading the HAHA dataset, running the `AutoML` instance,
# and printing the results.
X_train, y_train, X_test, y_test = haha.load(max_examples=args.examples)
classifier.fit(X_train, y_train, logger=loggers)
score = classifier.score(X_test, y_test)
print(score)
print(logger.generation_best_fn)
print(logger.generation_mean_fn)
# ¿Cómo utilizamos esto en la clase AutoML?
automl = AutoML(
input=(Seq[Sentence], Supervised[VectorCategorical]), # **tipos de entrada**
output=VectorCategorical, # **tipo de salida**
# tenemos el parámetro score_metric para definir la función objetivo,
# que si no le fijamos un valor utiliza por defecto la función `autogoal.ml.metrics.accuracy`.
)
# Ya hasta aquí hemos definido el problema que queremos resolver
# ahora solo nos resta ejecutar nuestro algoritmo, llamando al método `fit`.
# Para monitorear el estado del proceso de AutoML, podemos pasar un logger al método `fit`.
from autogoal.search import RichLogger
# Entrenando...
automl.fit(X_train, y_train, logger=RichLogger())
# Conociemdo que tan bueno es nuestro algoritmo
score = automl.score(X_test, y_test)
print(f"Score: {score:0.3f}")
# Esto significa que nuestro algoritmo el mejor pipeline que encontró reportó un accuracy "result"
# También puede llamarse al método predict que nos hace la predicción para un conjunto de ejemplos
# Prediciendo...
predictions = automl.predict(X_test)
for sentence, real, predicted in zip(X_test[:10], y_test, predictions):
print(sentence, "-->", real, "vs", predicted)