时间戳

首页 > 解决方案 > 如何使用 MNIST 数据集实现超参数

python - 如何使用 MNIST 数据集实现超参数

问题描述

我目前正在 Jupyter notebook 中运行一个程序来对 MNIST 数据集进行分类。我正在尝试使用 KNN 分类器来执行此操作，并且运行需要一个多小时。我是分类器和超参数的新手，似乎没有任何关于如何正确实现其中一个的像样的教程。谁能给我一些关于如何使用超参数进行分类的提示？我已经搜索并看到了 GridSearchCv 和 RandomizedSearchCV。从查看他们的示例来看，他们似乎选择了不同的属性名称并更改为他们的代码所需的名称。如果数据只是手写数字，我不明白如何为 MNIST 数据集做到这一点。看到只有数字，在这种情况下是否不需要超参数？这是我目前仍在运行的代码。

# To support both python 2 and python 3
from __future__ import division, print_function, unicode_literals

# Common imports
import numpy as np
import os

# to make this notebook's output stable across runs
np.random.seed(42)

# To plot pretty figures
%matplotlib inline
import matplotlib
import matplotlib.pyplot as plt
plt.rcParams['axes.labelsize'] = 14
plt.rcParams['xtick.labelsize'] = 12
plt.rcParams['ytick.labelsize'] = 12

# Where to save the figures
PROJECT_ROOT_DIR = "."
CHAPTER_ID = "classification"

def save_fig(fig_id, tight_layout=True):
    image_dir = os.path.join(PROJECT_ROOT_DIR, "images", CHAPTER_ID)
    if not os.path.exists(image_dir):
        os.makedirs(image_dir)

    path = os.path.join(image_dir, fig_id + ".png")
    print("Saving figure", fig_id)
    if tight_layout:
        plt.tight_layout()
    plt.savefig(path, format='png', dpi=300)
def sort_by_target(mnist):
    reorder_train = np.array(sorted([(target, i) for i, target in enumerate(mnist.target[:60000])]))[:, 1]
    reorder_test = np.array(sorted([(target, i) for i, target in enumerate(mnist.target[60000:])]))[:, 1]
    mnist.data[:60000] = mnist.data[reorder_train]
    mnist.target[:60000] = mnist.target[reorder_train]
    mnist.data[60000:] = mnist.data[reorder_test + 60000]
    mnist.target[60000:] = mnist.target[reorder_test + 60000]
try:
    from sklearn.datasets import fetch_openml
    mnist = fetch_openml('mnist_784', version=1, cache=True)
    mnist.target = mnist.target.astype(np.int8) # fetch_openml() returns targets as strings
    sort_by_target(mnist) # fetch_openml() returns an unsorted dataset
except ImportError:
    from sklearn.datasets import fetch_mldata
    mnist = fetch_mldata('MNIST original')
    mnist["data"], mnist["target"]
mnist.data.shape
X, y = mnist["data"], mnist["target"]
X.shape
y.shape

#select and display some digit from the dataset
import matplotlib
import matplotlib.pyplot as plt

some_digit_index = 7201
some_digit = X[some_digit_index]
some_digit_image = some_digit.reshape(28, 28)
plt.imshow(some_digit_image, cmap = matplotlib.cm.binary,
           interpolation="nearest")
plt.axis("off")

save_fig("some_digit_plot")
plt.show()

#print some digit's label
print('The ground truth label for the digit above is: ',y[some_digit_index])
X_train, X_test, y_train, y_test = X[:60000], X[60000:], y[:60000], y[60000:]
#random shuffle
import numpy as np

shuffle_index = np.random.permutation(60000)
X_train, y_train = X_train[shuffle_index], y_train[shuffle_index]
from sklearn.model_selection import cross_val_predict
from sklearn.neighbors import KNeighborsClassifier

y_train_large = (y_train >= 7)
y_train_odd = (y_train % 2 == 1)
y_multilabel = np.c_[y_train_large, y_train_odd]

knn_clf = KNeighborsClassifier()
knn_clf.fit(X_train, y_multilabel)
knn_clf.predict([some_digit])

y_train_knn_pred = cross_val_predict(knn_clf, X_train, y_multilabel, cv=3, n_jobs=-1)
f1_score(y_multilabel, y_train_knn_pred, average="macro")

标签： pythonscikit-learnjupyterknn

解决方案

KNN 最流行的超参数是n_neighbors，即您考虑将标签分配给新点的最近邻居数。默认情况下，它设置为 5，但它可能不是最佳选择。因此，通常最好为您的特定问题找到最佳选择。

这就是您如何为您的示例找到最佳超参数的方法：

from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import GridSearchCV

param_grid = {"n_neighbors" : [3,5,7]}     

KNN=KNeighborsClassifier()

grid=GridSearchCV(KNN, param_grid = param_grid , cv = 5, scoring = 'accuracy', return_train_score = False)
grid.fit(X_train,y_train)

这样做是将您的 KNN 模型的性能与您设置的不同值进行比较n_neighbors。那么当你这样做时：

print(grid.best_score_)
print(grid.best_params_)

它将向您展示最佳性能得分是多少，以及它实现了哪些参数选择。

所有这些都与您使用 MNIST 数据这一事实无关。您可以将此方法用于任何其他分类任务，只要您认为 KNN 可能是您的任务的明智选择（这对于图像分类可能是有争议的）。从一项任务到另一项任务的唯一变化是超参数的最佳值。

PS：我建议不要使用该y_multilabel术语，因为这可能指的是特定的分类任务，其中每个数据点可能有多个标签，而 MNIST 不是这种情况（每个图像一次只代表一个数字）。

推荐阅读