-
Notifications
You must be signed in to change notification settings - Fork 0
/
ml_utils.py
318 lines (216 loc) · 10.8 KB
/
ml_utils.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import r2_score, mean_absolute_error, mean_squared_error, mean_absolute_percentage_error
from sklearn.preprocessing import MinMaxScaler, PolynomialFeatures
from sklearn.linear_model import Ridge, Lasso, ElasticNet
# ================================================================================= #
# ================================================================================= #
def plot_scatter_real_pred(y_test, y_pred):
x = np.linspace(0, y_test.max())
y = x
plt.title("Target real x target predito")
plt.plot(x, y, color="red", ls=":")
sns.scatterplot(x=y_test, y=y_pred)
plt.xlabel("Real")
plt.ylabel("Predito")
plt.show()
def calc_r2_adj(r2, y, X):
return 1 - (1-r2)*(len(y) - 1)/(len(y) - X.shape[1] - 1)
def calc_reg_metrics(model, X, y, label="", plot=False, dist_resids=True, print_stuff=True):
y_pred = model.predict(X)
if print_stuff:
print(f"\nMétricas de avaliação (dados de {label}):\n")
if plot:
plot_scatter_real_pred(y, y_pred)
r2 = r2_score(y, y_pred)
# r2_adj = calc_r2_adj(r2, y, X)
mae = mean_absolute_error(y, y_pred)
rmse = np.sqrt(mean_squared_error(y, y_pred))
mape = mean_absolute_percentage_error(y, y_pred)
if print_stuff:
# print(f"R^2: {r2:.2f} | Adj R^2: {r2_adj:.2f}")
print(f"R^2: {r2:.2f}")
print(f"MAE: {mae:.2f}")
print(f"RMSE: {rmse:.2f}")
print(f"MAPE: {mape:.2%}")
if dist_resids:
residuos = y - y_pred
print(f"\nDistribuição dos resíduos de {label}:\n")
print(pd.Series(residuos).describe())
if plot:
sns.histplot(residuos, kde=True)
plt.show()
# retorna um dicionário com as métricas
metrics_dict = {"r2" : r2,
# "r2_adj" : r2_adj,
"mae" : mae,
"rmse" : rmse,
"mape" : mape}
return metrics_dict
# ================================================================================= #
# ================================================================================= #
def reg_lin_pt1_pt2(X_train, y_train, X_test, y_test,
plot=True, scale_mms=False,
train_metrics=True, dist_resids=False):
if scale_mms:
mms = MinMaxScaler().fit(X_train)
# passamos assim, pra carregar o nome das features, e ter o .feature_names_in_
X_train = pd.DataFrame(mms.transform(X_train), columns=X_train.columns, index=X_train.index)
X_test = pd.DataFrame(mms.transform(X_test), columns=X_test.columns, index=X_test.index)
# ===============================
# passo 1 - construção do modelo
reglin = LinearRegression()
reglin.fit(X_train, y_train)
# ===============================
# passo 2 - avaliação do modelo
if train_metrics:
_ = calc_reg_metrics(reglin, X_train, y_train, label="treino",
plot=plot, dist_resids=dist_resids, print_stuff=True)
print()
print("#"*50)
_ = calc_reg_metrics(reglin, X_test, y_test, label="teste",
plot=plot, dist_resids=dist_resids, print_stuff=True)
# new: returnando o objeto do modelo treinado!
return reglin
# ================================================================================= #
# ================================================================================= #
def plot_reglin_model(modelo, X_train, y_train, X_test, y_test):
plt.title("Modelo de regressão linear")
plt.scatter(X_train, y_train)
plt.scatter(X_test, y_test)
x_plot_modelo = np.linspace(X_train.min(), X_train.max(), 100000)
# f_h = b0 + b1*x + b2*x^2 + ... + bn*x^n
# aqui começamos com f_h = b0
y_plot_modelo = modelo.intercept_
# aqui vem o resto, b1*x + b2*x^2 + ... + bn*x^n
for n, b_n in enumerate(modelo.coef_):
y_plot_modelo = y_plot_modelo + b_n*(x_plot_modelo**(n+1))
plt.plot(x_plot_modelo, y_plot_modelo, color="red")
plt.show()
def reg_lin_poly_features(X_train, y_train, X_test, y_test,
deg=1,
plot=True, scale_mms=False,
train_metrics=True,
dist_resids=True,
plot_model=False):
# dimensão dos dados de input
data_dim = X_train.shape[1]
# é importante salvar os dados originais pra plotá-los!
# isso é importante pra caso haja transformação no espaço de features
X_train_orig = X_train.copy()
X_test_orig = X_test.copy()
if deg > 1:
pf = PolynomialFeatures(degree=deg, include_bias=False).fit(X_train)
X_train = pf.transform(X_train)
X_test = pf.transform(X_test)
print(f"Modelo com espaço de features transformado!\n")
print(f"Número de features original: {pf.n_features_in_}")
print(f"Número de features após o transformer: {pf.n_output_features_}\n")
print("="*50)
# é importante escalar depois!
if scale_mms:
mms = MinMaxScaler().fit(X_train)
# não to trazendo o nome das colunas, então não vai mais ter o atributo feature_names_in_!
# caso queira/precise, tem que alterar a função
X_train = mms.transform(X_train)
X_test = mms.transform(X_test)
# ===============================
# passo 1 - construção do modelo
reglin = LinearRegression()
reglin.fit(X_train, y_train)
# ===============================
# passo 2 - avaliação do modelo
if train_metrics:
metrics_train = calc_reg_metrics(reglin, X_train, y_train, label="treino",
plot=plot, dist_resids=dist_resids, print_stuff=True)
print()
print("#"*50)
else:
metrics_train = None
metrics_test = calc_reg_metrics(reglin, X_test, y_test, label="teste",
plot=plot, dist_resids=dist_resids, print_stuff=True)
# só é possível quando temos uma única feature no espaço de features original!
if plot_model and data_dim == 1:
# note que passamos as features originais!!
plot_reglin_model(reglin, X_train_orig, y_train, X_test_orig, y_test)
# new: returnando o objeto do modelo treinado!
return reglin, metrics_train, metrics_test
# ================================================================================= #
# ================================================================================= #
def reg_lin_poly_features_regularized(X_train, y_train, X_test, y_test,
deg=1,
type_regularization=None, alpha=1, l1_ratio=0.5,
iter_max=1000,
plot=True, scale_mms=False,
train_metrics=True,
dist_resids=True,
plot_model=False):
'''
docstring
- type_regularization: None, "l1", "l2", "en"
'''
# dimensão dos dados de input
data_dim = X_train.shape[1]
# é importante salvar os dados originais pra plotá-los!
# isso é importante pra caso haja transformação no espaço de features
X_train_orig = X_train.copy()
X_test_orig = X_test.copy()
if deg > 1:
pf = PolynomialFeatures(degree=deg, include_bias=False).fit(X_train)
X_train = pf.transform(X_train)
X_test = pf.transform(X_test)
print(f"Modelo com espaço de features transformado!\n")
print(f"Número de features original: {pf.n_features_in_}")
print(f"Número de features após o transformer: {pf.n_output_features_}\n")
print("="*50)
# é importante escalar depois!
# note que o "or type_regularization" garante que haja normalização
# se a regulatrização for usada, mesmo que "scale_mms" seja False ;)
if scale_mms or type_regularization:
mms = MinMaxScaler().fit(X_train)
# não to trazendo o nome das colunas, então não vai mais ter o atributo feature_names_in_!
# caso queira/precise, tem que alterar a função
X_train = mms.transform(X_train)
X_test = mms.transform(X_test)
# ===============================
# passo 1 - construção do modelo
if type_regularization == "l1":
model = Lasso(alpha=alpha, max_iter=iter_max).fit(X_train, y_train)
elif type_regularization == "l2":
model = Ridge(alpha=alpha, max_iter=iter_max).fit(X_train, y_train)
elif type_regularization == "en":
model = ElasticNet(alpha=alpha, l1_ratio=l1_ratio, max_iter=iter_max).fit(X_train, y_train)
elif type_regularization == None:
model = LinearRegression().fit(X_train, y_train)
else:
list_opcoes = ["l1", "l2", "en", None]
raise ValueError(f"Opção de regularização indisponível!\nOpções aceitas: {list_opcoes}")
# ===============================
# passo 2 - avaliação do modelo
if train_metrics:
metrics_train = calc_reg_metrics(model, X_train, y_train, label="treino",
plot=plot, dist_resids=dist_resids, print_stuff=True)
print()
print("#"*50)
else:
metrics_train = None
metrics_test = calc_reg_metrics(model, X_test, y_test, label="teste",
plot=plot, dist_resids=dist_resids, print_stuff=True)
# só é possível quando temos uma única feature no espaço de features original!
if plot_model and data_dim == 1:
# note que passamos as features originais!!
plot_reglin_model(model, X_train_orig, y_train, X_test_orig, y_test)
# new: returnando o objeto do modelo treinado!
return model, metrics_train, metrics_test
# ================================================================================= #
# ================================================================================= #
# ================================================================================= #
# ================================================================================= #
# ================================================================================= #
# ================================================================================= #
# ================================================================================= #
# ================================================================================= #