#Lesson14の概要
ここまでのlessonで交差検証等は使ってきたが、このlessonではもっと、包括的に解説してくれるみたい。ホールドアウト検証・交差検証について
#データをトレーニングデータとテストデータの分割の仕方：train/test split in sklearn
もし、そのことで悩んだらこちらを参照にすること。
3.1. Cross-validation: evaluating estimator performance
分割の仕方には大まかに2種類ある。ホールドアウトと交差。
講義の前半・Mini-projectではホールドアウトやる。途中に交差が入る。
train/test split（ホールドアウトor交差）
↓
◆トレーニング段階
pca.fit(training_features)：トレーニングデータに対して主成分の統計分析
pca.transform(training_features)：fit結果を使って実際にトレーニングデータ変換
↓
svc.fit(training_feaures):分類器に主成分分析したトレーニングデータを入力
↓
◆テスト段階
pca.transform(test_features)：テストデータに対して主成分の統計分析
svc.predict(test_feaures)：トレーニング段階で学習した分類器に主成分分析後のテストデータ入力
fitとtransformの違いは@makopoさんのscikit-learn の fit() / transform() / fit_transform()が大変わかりやすい。統計値を計算するのがfit、それを使って実際にデータを変換するのがtransformなのね。
◆pcaのトレーニング(fit)段階では
pca.fit(training_features), pca.transform(training_feaures)
としてSVMに入力する。
◆テスト段階では
pca.transform(test_features)
のみ行う。fitをテストデータに対して行ってしまうと、トレーニング段階で計算した統計量が変わってしまうので。
PCAについてはLesson13: PCA 主成分分析まとめ Intro to Machine learning@Udacityを参照。
##交差検証：Cross Validation
トレーニングデータとテストデータの数を一番効果のある最大の数にしたいが、これらは明らかにトレードオフの関係。ただ、すべてのデータをトレーニングデータ＆テストデータとして使用する方法がある。
それがk-fold cross validation：K分割交差検証らしい。
wikipedia:交差検証より引用
英名では"K-fold cross-validation"。K-分割交差検証では、標本群をK個に分割する。そして、そのうちの1つをテスト事例とし、残る K − 1 個を訓練事例とするのが一般的である。交差検証は、K 個に分割された標本群それぞれをテスト事例として k 回検証を行う。そうやって得られた k 回の結果を平均して1つの推定を得る。
ここで注意。
きれいに並べてあるデータをデフォルトのk-foldでテストデータとトレーニングデータに分けてしまうと、正しく学習＆予測できない。
例えばテストデータのラベルが：[1,1,1,1,1]、トレーニングデータのラベル：[0,0,0,0,1]と[0,1,0,1,0]（K=3）。各foldでラベルがかたよらないようにシャッフルしたい。
◆ランダマイズ
sklearn.model_selection.KFoldに書いてある、shuffle=trueにすれば、ランダマイズしてくれる。からこれを使うようにとのこと。各foldの中身をランダムでバラバラにしてくれるようだ。
◆各foldの、ラベルの比率を一定にする分け方
sklearn.model_selection.StratifiedKFoldも使おうと書いてある。これはどうやら、ラベルが2つ(0,1)なら、各foldの中の0,1の比率がだいたい同じになるように各foldの中身を選択してくれるみたい。
scikit learn の Kfold, StratifiedKFold, ShuffleSplit の違いを参考にさせていただきました。
###Cross Validation for Parameter Tuning
SVMや決定木などのアルゴリズムで、精度の高い結果を得るために、私たち人が推測して、パラメーターチューニングをしてきたが、骨が折れた。sklearn.model_selection.GridSearchCVを使えば、それが自動になる！←ほんとか！
例）
sklearn.model_selection.GridSearchCVのドキュメンテーションの中にあるExampleを例に。
parameters = {'kernel':('linear', 'rbf'), 'C':[1, 10]}
svr = svm.SVC()
clf = grid_search.GridSearchCV(svr, parameters)
clf.fit(iris.data, iris.target)
ディクショナリのパラメータを設定。それぞれがとることが可能なものをすべて入れ込んでいる。この場合はカーネルがliner or rbf, Cが1 or 10。
このパラメータができたら、下記のようにGrid(格子)を作ってくれる。
(rbf, 1) (rbf, 10)
(linear, 1) (linear,10)
それぞれがSVMをトレーニングするのに使ってくれ、性能がCross Validationを使って評価してくれる。
ここでclassifierを作っているわけではなく、ここで「どのアルゴルズムを使うか」だけを宣言している。classifier = altorithm + parameter value.
clf = grid_search.GridSearchCV(svr, parameters)
Classifierを作成。アルゴリズムとディクショナリのパラメーターを入力すると、パラメーター格子を生成してくれる。
このコードで、すべてのパラメーターの組み合わせにて学習し、最も性能のよかった、Classifierを返す。
clf.best_params_
によって、そのパラメーターにアクセスできる。
#Mini-project
Enronデータセットを使ってPOI-identifierを作る。
ただ、ここで使うのは交差検証ではなく、ホールドアウト検証。
ちなみにwikipedia:交差検証によると
ホールドアウト検証
初期標本群から事例を無作為に選択してテスト事例を形成し、残る事例を訓練事例とする。テスト事例に使われるのは初期の標本群の3分の1以下の場合が多い[5]。ただし一般にホールドアウト検証は交差検証には分類されない。なぜなら、データを交差させることがないためである。
みたい。
◆1st part：全部のfeatures, labelsを使ってclfをトレーニング。スコア出す。
◆2nd part：30%hold outでrandom_state = 42とする。再現性があるようにするには42を指定するらしい。
### it's all yours from here forward!
from sklearn import tree
from sklearn.model_selection import train_test_split
#1st part
clf = tree.DecisionTreeClassifier()
clf = clf.fit(features, labels)
score = clf.score(features, labels)
print score #Quiz17
#2nd part
X_train, X_test, y_train, y_test = train_test_split(\
features, labels, test_size=0.3, random_state=42)
clf2 = tree.DecisionTreeClassifier()
clf2 = clf2.fit(X_train, y_train)
score2 = clf2.score(X_test, y_test)
print score2 #Quiz18
#感想
今回はホールドアウト検証と交差検証を学んだ。
交差検証で、データを全部使ってフルにできるのは賢いなー！！
#調べた英単語
validation・・・n, 批准、確認
assess・・・v, (…と)評価する、査定する、(…と)査定する、性質を評価する、値踏みする、課する
explicitly・・・adv, (言葉に出して)はっきりと、明白に
inherent・・・adj, 固有の、本来の、生来の、(…に)内在して、つきもので、固有で
indices・・n, indexの複数形
stratify・・・v, (…に)層を形成させる、(…を)層状にする、階層化する、階級に分ける
grid・・・n, (鉄)格子、(肉・魚を焼く)焼き網、(自動車の屋根の)格子状荷台、(電線・水道・ガスなどの)敷設網、送電網、(街路の)碁盤目、(地図の上に引かれた検索用の)碁盤目、グリッド
viable・・・n, 存立できる、実行可能な、生存できる