Formación del modelo de clasificación

Objective

After completing this lesson, you will be able to forme un modelo de clasificación utilizando las funciones PAL de SAP HANA y comprenda cómo ajustarlo con diferentes opciones.

Formación del modelo de clasificación del árbol de gradient boosting híbrido (HGBT) para la columna de funciones/datos FlightRisk

La función Clasificación unificada PAL de SAP HANA [1] proporciona una forma eficiente de formar modelos de clasificación con funciones ampliadas como:

  • Cambio fluido entre algoritmos de clasificación
  • Partición automática de conjuntos de datos
  • Procedimientos de evaluación de modelos integrados
  • Soporte para métricas de evaluación adicionales

Para esta tarea, el algoritmo Árbol de potenciación del gradiente híbrido (HGBT) se selecciona fijando el parámetro "func" en "HybridGradientBoostingTree". Por último, se visualiza el tiempo de formación, es decir, el tiempo que se tarda en ajustar el modelo al conjunto de datos de formación.

Code Snippet
123456789101112131415161718192021
# Train the classifer model using PAL HybridGradientBoostingTree # Initialize the model object hgbc = UnifiedClassification(func='HybridGradientBoostingTree', n_estimators = 101, split_threshold=0.1, learning_rate=0.1, max_depth=6, split_method='histogram', max_bin_num=256, feature_grouping=True, tolerant_iter_num=5, resampling_method='cv', fold_num=5, ref_metric=['auc'], evaluation_metric = 'error_rate') # Execute the training of the model # key= 'EMPLOYEE_ID', hgbc.fit(data=df_train.drop('EMPLOYEE_ID'), label='FLIGHT_RISK', partition_method='stratified', stratified_column='FLIGHT_RISK', training_percent=0.8, ntiles=20, build_report=True) display(hgbc.runtime)

1,82820272445678

Revisión de los resultados de formación de modelo

El generador de informes PAL/APL se utiliza para evaluar el rendimiento del modelo. Actualmente, solo admite modelos UnifiedClassification y UnifiedRegression[1].

Existe una variedad de métricas de rendimiento de clasificación, siendo AUC-ROC (área bajo la curva de características operativas del receptor) [2] una de las más utilizadas. Esta métrica, que va de 0 a 1, evalúa la capacidad de un modelo de clasificación binaria para distinguir entre clases positivas y negativas. Cuanto más cerca esté el valor AUC de 1, mejor será el rendimiento del modelo al separar las clases.

En el informe que se muestra a continuación, en la pestaña Estadísticas de la tabla de estadísticas, se observa un valor AUC de 0,95. Además, el gráfico AUC-ROC está disponible para su visualización en la pestaña "Métricas de puntuación".

La pestaña Importancia de variable presenta un gráfico circular de importancia de la función, que asigna puntuaciones a las funciones de entrada en función de su contribución a la predicción de la variable de destino [3]. Las puntuaciones más altas indican una mayor influencia en las predicciones del modelo, con valores de importancia que oscilan entre 0 y 1.

A partir de los resultados, "PREVIOUS_COUNTRY" tiene la puntuación de importancia más alta de 0,23, seguida de "FUNCTIONALAREACHANGETYPE" en 0,21.

Code Snippet
123
# Build Model Report UnifiedReport(hgbc).build().display()

Informe de modelo de clasificación unificado: Estadística - Tabla de estadísticas

NOMBRE DE STATVALOR ESTÁNDARCLASS
AUC0,9509Ninguna
PRECISIÓN0,9193Ninguna
KAPPA0,4390Ninguna
MCC0,4951Ninguna
Esta figura muestra un ejemplo del gráfico circular para Importancia de variable
Esta figura muestra un ejemplo del gráfico de barras para la importancia de la variable
Esta figura muestra un ejemplo de la curva ROC

Valor AUC

También podemos obtener el valor AUC utilizando una línea de código como se muestra a continuación:

hgbc.get_performance_metrics()['AUC']

0,9509