Решение крупномасштабных задач машинного обучения на Python - UPROGER

Итак, начнем! Прежде всего, установим библиотеку xLearn с помощью команды pip:

pip install xlearn

Для импорта библиотеки xlearn используем следующую команду:

Решение крупномасштабных задач машинного обучения на Python

Если у вас возникнут проблемы при импорте xLearn, попробуйте проделать шаги, приведенные в этом ответе на GitHub.

МО-модели в xLearn

В настоящее время xLearn поддерживает три алгоритма машинного обучения:

линейную модель (linear model, LR);
машину факторизации (factorization machine, FM);
машину факторизации с учетом полей (field-aware factorization machine, FFM).

Рассмотрим каждый из них в отдельности.

Линейная модель

Импортируем линейную модель из xLearn следующим образом:

Линейная модель используется для нахождения той линии, которая идеально определяет отношения между переменными X и Y. Линейные модели можно применять, когда переменная Y является непрерывной, а X — непрерывной/категориальной.

Машина факторизации

Импортируем модель FM из xLearn следующим образом:

Машина факторизации может использоваться для задач регрессии и классификации. Это расширенная версия линейной модели, применяемая для выявления взаимодействия признаков в наборе данных высокой размерности. Она хорошо работает на высокоразмерных наборах данных.

Машина факторизации с учетом полей

Импортируем модель FFM из xLearn следующим образом:

Модель FFM является улучшенной версией модели FM, поскольку в нее внесены определенные исправления.

Ключевой момент, упомянутый на сайте библиотеки: для LR и FM формат входных данных может быть CSV и libsvm. Для FFM входные данные должны быть в формате libffm.

Простой пример

Предположим, вы работаете с проблемой бинарной классификации и хотите предсказать, кликнет ли пользователь на рекламу сайта. Для решения такого типа задач требуется набор данных высокой размерности, который включает множество характеристик пользователя, что позволяет лучше понять события, связанные с его кликами.

Ссылка на набор данных.

В этой статье small_test.txt назовем тестовыми данными, а small_train.txt — обучающими.

Для решения этой задачи мы будем использовать библиотеку xLearn. Сначала импортируем ее.

Затем выберем МО-модель xLearn. Поскольку решается задача классификации, у нас есть два варианта на выбор:

машина факторизации;
машина факторизации с учетом полей.

МЫ НЕ МОЖЕМ ВЫБРАТЬ ЛИНЕЙНУЮ МОДЕЛЬ, ПОСКОЛЬКУ ОНА ИСПОЛЬЗУЕТСЯ ДЛЯ РЕШЕНИЯ ЗАДАЧ РЕГРЕССИИ. ВЫБИРАЕМ ВТОРОЙ ВАРИАНТ, Т.Е. FFM.

Создадим модель с помощью библиотеки xLearn.

Можно было бы использовать функцию sklearn train test split для разделения данных на два типа набора: train (обучающий) и test (тестовый). Поскольку я создал отдельный файл для каждого типа, нам не понадобится прибегать к sklearn.

SetTrain сообщает модели FFM о наборе обучающих данных.

Теперь определим параметры для модели FFM.

Назначение каждого параметра:

task (тип решаемой задачи). В данном случае решается задача бинарной классификации. Если бы вы работали с задачей регрессии и использовали при этом FFM-модель, нужно было бы передать reg в переменную task.
learning rate (скорость обучения). Наверняка вы уже использовали этот параметр ранее. Цель здесь та же — заставить модель обучаться быстрее.
Lambda. Мы работаем с большим набором данных, поэтому лямбда играет здесь важную роль — отбрасывает переменные, которые наименее важны.

При решении задачи регрессии значения параметров должны выглядеть следующим образом:

Теперь нужно подогнать модель к обучающему набору данных.

Подгонка модели выполняется с помощью метода .fit(), который передает переменные параметров (param) вместе с именем модели. В текущем каталоге будет создан новый файл с именем model.out. Этот model.out будет использоваться для прогнозирования тестового набора данных.

Запустив код, получим на выходе нечто подобное:

Это обучение модели на обучающем наборе данных. После его завершения модель будет сохранена в текущем каталоге.

Теперь используем файл model.out для прогнозирования тестовых данных:

В приведенном выше коде сообщаем модели о тестовом наборе данных, предсказываем его, а затем сохраняем предсказанные значения в файле output.txt.

Вот как выглядит output.txt:

-1.58631
-0.393496
-0.638334
-0.38465
-1.15343

Отрицательные значения показывают, что пользователь не собирается нажимать на рекламное объявление, в то время как положительные значения демонстрировали бы готовность пользователя кликнуть на него. Если хотите, чтобы вывод был 0 или 1, можете использовать метод setSign().