lab2,

lec7 pptx

labs/lab1.md

@@ -306,3 +306,14 @@ my_proj
 
 Файлы с обработанными данными, а также большие графики, которые не попали в репозитарий сохраните себе на флешку или любым другим способом.
 Обратите внимание, что с этими данными вы продолжите работать в следующих лабораторных работах. Сохранность файлов на виртуальной машине **НЕ ГАРАНТИРУЕТСЯ**.
+
+
+
+## Контрольные вопросы
+
+1. Для чего нужен и как используется файл `requirements.txt`
+1. Что такое "виртуальное окружение"
+1. Как установить виртуальное окружение для проекта
+1. Для чего нужен этап разведочного анализа данных? Какие цели на нем решаются?
+1. Какие типы графиков вы знаете и в каких случаях лучше применять тот или иной тип?
+

labs/lab2.md

@@ -0,0 +1,268 @@
+# Лабораторная работа №2. Проведение экспериментов по настройке модели.
+
+## Цель работы
+Провести ряд экспериментов по настройке модели, логируя все результаты в MLFlow. 
+Научиться пользоваться инструментами autofeat, mlxtend, MLFlow
+
+## Подготовка
+Работа содержит задания "со звездочкой", выполнять котороые **не обязательно**, но их выполнение откроет новые знания :) 
+
+Можете их выполнить дома в качестве самостоятельного задания. 
+
+Их выполнение или не выполнение **не будет влиять** на итоговую оценку.
+ 
+## Задание
+1. В VS Code открыть папку с вашим проектом и активировать виртуальное окружение. 
+2. Создать директорию и ноутбук, в котором вы будете проводить исследования.
+3. Загрузить очищенную выборку. Разбить ее на тестовую и обучающую в пропорции 25%-75%
+4. Создать переменные, содержащие названия столбцов с числовыми и категориальными признаками
+-----
+5. Создать pipeline обработки признаков и обучения модели. Для числовых признаков использовать `StandardScaler`, для категориальных - `TargetEncoder`(для задачи классификации) или `OrdinalEncoder` для задачи регрессии. В качестве модели - `RandomForest`
+6. Обучить baseline-модель и получить метрики качества на тестовой выборке. Для задачи классификации это `precision`, `recall`, `f1`, `roc_auc`. Для регрессии - `mae`, `mape`, `mse` 
+-----
+7. Создать в корне вашего проекта директорию `./mlflow` в которой будет запускаться фреймворк.
+8. Написать sh-скрипт по запуску mlflow локально с хранилищем экспериментов (backend store) в СУБД sqlite. Запустить mlflow, убедиться в его работе.
+9. Залогировать baseline-модель в новый эксперимент. Зарегистрировать модель.
+-----
+10. С использованием библиотеки `sklearn` создать дополнительные признаки, обучить модель, залогировать ее.
+11. (*) Сгенерировать новые признаки с использованием библиотект `autofeat`, обучить модель, залогировать ее.
+12. С использованием библиотеки `mlxtend`  отобрать N наиболее важных признаков. N выбирается с учетом количества признаков на предыдущем шаге, ориентировочный диапазон - от 20% до 70%. Обучить модель, залогировать ее. 
+13. (*) Повторите предыдущий пункт с помощью `sklearn`, проанализируйте, схожие ли признаки выбраны другим алгоритмом?
+14. С помощью `optuna` настроить оптимальные параметры для модели, показывающей лучший результат. Обучить модель, залогировать ее, зарегистрировать очередную версию.
+15. (*) Обучить модель с помощью алгоритма [CatBoost](https://catboost.ai/) с выбранным вами набором признаков, залогировать ее, зарегистрировать очередную версию. Не забудьте воспользоваться оберткой (flavour) catboost.
+-----
+16. Проанализировать все прогоны и выбрать модель, показывающую наилучшее качество. 
+Обучить эту модель на всей выборке (а не только на train-части), залогировать ее. В реестре моделей установить ей тэг `Production`. Эту модель мы будем деплоить в следующей лабораторной работе.
+17. Актуализировать файлы `requirements.txt` и `README.md`, `.gitignore` 
+18. Отправить изменения на github. Сохранить на флешку или иным способом директорию `./mlflow`
+
+
+
+
+## Методические указания
+### 1
+Работа является продолжением ЛР1. Выполнять ее нужно в той же директории проекта и с тем же виртуальным окуржением, что и ЛР1.
+
+> Если вы выполняете работу не на том же компьютере, что и ЛР1, то проект придется восстановить с гитхаба. Очень кстати в файле README указаны все команды по запуску проекта :)
+
+### 2
+В директории вашего проекта создать новую директорию `./research`, в которой будут храниться артефакты по настройке модели. Создать в ней ноутбук, в котором вы будете проводить исследования.
+```
+my_proj
+ |_____ .venv_my_proj
+ |_____ .git
+ |_____ data
+ |       |___ ...
+ |
+ |_____ eda
+ |       |___ ...
+ |
+ |_____ research
+ |       |___ research.ipynb
+ |
+ |_____ .gitignore
+ |_____ README.md
+ |_____ requirements.txt
+
+```
+### 3
+
+В данной работе вы будете использовать обработанную и очищенную выборку, которая была получена в результате выполнения ЛР1. Ее следовало сохранить, однако если это не было сделано, то необходимо прогнать код ЛР1, чтобы заново ее получить.
+
+Деление на обучающую и тестовую - стандартным `train_test_split` из `sklearn` 75%-25%
+
+### 4
+
+Переменные, содержащие названия столбцов с числовыми и категориальными признаками вы уже создавали в ЛР1, код можно подглядеть там.
+
+### 5
+
+Pipeline на данном этапе будет состоять из двух шагов - `transform`, на котором вы проводите преобразования признаков, и `classification` (`regression`), на котором обучаете модель.
+На шаге `transform` для числовых признаков использовать `StandardScaler`, для категориальных - `TargetEncoder`(для задачи классификации) или `OrdinalEncoder` для задачи регрессии. 
+
+В качестве модели в работе будем использовать `RandomForest`. 
+
+> Известно, что `RandomForest` и другие алгоритмы на основе деревьев не нуждаются в шкалировании числовых признаков. Кроме того, существуют алгоритмы на основе деревьев, которые нативно обрабатывают категориальные признаки, например [CatBoost](https://catboost.ai/). Однако это частный случай. Для возможности применения других алгоритмов, помимо деревьев, мы проведем стандартные шаги шкалирования и кодирования. 
+
+> Если ваша модель обучается уже дольше 5 минут, то имеет смысл остановить обучение и либо уменьшить объем выборки (например, воспользовавшись методом sample: `DataFrame.sample(frac=0.25)` тут `frac=0.25` означает, что мы хотим оставить 25% выборки), либо изменить гиперпараметры модели, уменьшив количество деревьев и их глубину.   
+
+### 6 
+Baseline-модель - это простая модель, от которой отталкиваются, чтобы сделать что-то более эффективное, отправная точка для сравнения и улучшения. Обычно обученная без каких-то особенных настроек и подбора гиперпараметров. Ее цель - понять, решаема ли вообще поставленная задача.
+
+### 7, 8
+Директория `./mlflow` будет содержать все что связано с данным фреймворком, а также скрипт для ее запуска.
+
+Первоначально нужно установить фреймворк, будем использовать версию 2.16. Кроме того, следует обновить версию numpy до 1.26.4. Не забудьте обновить файл `requirements.txt`
+```
+pip install numpy==1.26.4 mlflow==2.16
+```
+
+
+Запускать mlflow мы будем локально, с указанием хранилища экспериментов в СУБД sqlite. Команду для запуска мы сохраним в виде bash-скрипта, что поможет вспомнить спустя время, как запустить фреймворк. 
+
+Саму команду можно подсмотреть в лекции №4.
+
+Перед запуском mlflow убедитесь что вы находитесь в директории `./mlflow`.
+Запустить bash-скрипт можно командой:
+```
+sh script_name.sh
+```
+
+ После запуска убедитесь, что БД создана там же:
+
+```
+my_proj
+ |_____ .venv_my_proj
+ |_____ .git
+ |_____ data
+ |       |___ ...
+ |
+ |_____ eda
+ |       |___ ...
+ |
+ |_____ research
+ |       |___ research.ipynb
+ |
+ |_____ mlflow
+ |       |___ start_mlflow.sh
+ |       |___ mlruns.db
+ |
+ |_____ .gitignore
+ |_____ README.md
+ |_____ requirements.txt
+
+```
+Проверьте, что фреймворк успешно запустился, пройдя в браузере на http://localhost:5000/
+
+### 9
+
+Прежде чем приступить непосредственно к логированию, подготовим дополнительные артефакты, которыми обогатим информацию о модели. 
+* сигнатуру модели 
+* пример входных данных
+* файл `requirements.txt`
+
+Пример входных данных можно получить, взяв первые несколько строк исходного датасета, а для сигнатуры - воспользоваться модулем `infer_signature`:
+```
+from mlflow.models import infer_signature
+input_example = X_train.head(5)
+signature =  infer_signature(model_input = X_train.head(5))
+```
+
+Модель нужно логировать со вкусом (flavour) sklearn. 
+```
+mlflow.sklearn.log_model(...)
+```
+
+Убедитесь, что логирование прошло успешно, открыв интерфейс и проверив, что в эксперименте появился первый Run. 
+
+Так же, зарегистрируйте эту модель в качестве первой версии модели по решению текущей задачи. Это можно сделать как через интерфейс, так и с помощью python API.
+
+### 10
+
+Сгенерируйте новые признаки с помощью различных трансформаций из библиотеки [`sklearn`](https://scikit-learn.org/stable/api/sklearn.preprocessing.html):
+
+* Для 2-3 числовых признаков PolynomialFeatures. Установить параметр degree=2. Не забудьте, что полученные таким образом признаки сами требуют шкалирования. Обратитесь к примеру из лекций, как поступить в этом случае.
+* Если у вас есть признаки, представляющие временные ряды, то SplineTransformer 
+* Если временных признаков нет, то KBinsDiscretizer для разбивки 2-3 числовых признаков на корзины("бины")
+* Возможно, другие на ваше усмотрение.
+
+
+Для этого:
+1. Создайте новую переменную `X_train_fe_sklearn`- копию исходной обучающей выборки, используя метод `.copy()` датафрейма.
+2. Создайте `ColumnTransformer`, содержащий как трансформации baseline-модели (сделанные в п.5 ЛР), так и новые.
+3. Обучите и сохраните в переменную `X_train_fe_sklearn` (используя метод `fit_transform`) получившиеся преобразования.
+4. Сохраните в файл названия столбцов получившегося датафрейма. Этот файл нужно будет залогировать в MLFlow 
+5. Создайте `pipeline`, в котором на первом шаге будет работать `ColumnTransformer`, созданный в этом пункте, а на втором - модель.
+
+Далее нужно обучить модель, сделать предикт и залогировать модель и файл со столбцами, сделанный на шаге 4. Не забудьте поменять `RUN_NAME` на понятный, соответствующий действиям в этом пункте ЛР.
+ 
+### 11 (*)
+Сгенерировать новые признаки с помощью библиотеки `autofeat` используя подходящие трансформации и задав `feateng_steps=2`
+Данная трансформация заменит шаг `transform` вашего исходного `pipeline`.
+Действия аналогичный предыдущему пункту.
+Далее нужно обучить модель, сделать предикт и залогировать модель результаты. Не забудьте поменять `RUN_NAME` на понятный, соответствующий действиям в этом пункте ЛР.
+
+
+### 12
+С использованием библиотеки `mlxtend` отобрать `N` наиболее важных признаков. `N` выбирается с учетом количества признаков на предыдущем шаге, ориентировочный диапазон - от 20% до 70%. 
+
+В ЛР отбор будем проводить для признаков, полученных трансформациями `sklearn` в пункте 10. 
+Алгоритм выполнения пункта следующий:
+
+* Создайте `SequentialFeatureSelector` c направлением последовательным добавлением признаков (forward). 
+* В пункте 10 был получен датафрейм`X_train_fe_sklearn`, состоящий из расширенного набора признаков по сравнению с исходными данными. На этом датафрейме обучите `SequentialFeatureSelector`.
+* Выведите на экран и сохраните в файлы названия отобранных столбцов и их индексы (их нужно будет залогировать вместе с моделью) 
+* Добавьте в папйлайн из пункта 10 вторым шагом отбор столбцов в соответствии с заданными индексами 
+
+
+Далее нужно обучить модель, сделать предикт и залогировать модель и файлы с названиями и индексами отбранных столбцов. Не забудьте поменять `RUN_NAME` на понятный, соответствующий действиям в этом пункте ЛР.
+
+
+### 13 (*)
+Повторите предыдущий пункт с `SequentialFeatureSelector` последовательно удаляя признаки (`forward=False`). И\или  с помощью `RFE` из `sklearn`.
+
+Проанализируйте, схожие ли признаки выбраны другим алгоритмом?
+
+Можно провести исследование и попробовать объединить признаки, выбранные разными алгоритмами. Или наоборот - выбрать только те, котрые были выбраны всеми.
+
+
+### 14
+Используйте модель, которая показала лучший результат.
+
+У `Random Forest` будем настраивать параметры:
+* количество деревьев от 1 до 20
+* глубина дерева от 1 до 10
+* max_features в интевале от 0.1 до 1 
+
+Проведите не менее 10 trails по подбору опитмальных гиперпараметров. Настраивать качество будем по метрике `mae` для регрессии и `f1` для классификации. Обратите внимание и явно укажите в коде на то, что нужно делать с метрикой - максимизировать или минимизировать.
+
+Обученную модель залогируйте в MLFlow. Не забудьте поменять `RUN_NAME` на понятный, соответствующий действиям в этом пункте ЛР.
+
+Зарегистрируйте модель в качестве второй версии исходной модели. Можно через интерфейс, можно с использованием API.
+
+### 15 (*) 
+Обучить модель с помощью алгоритма [CatBoost](https://catboost.ai/) с выбранным вами набором признаков. Пункт аналогичен предыдущему.
+Залогируйте модель. Не забудьте воспользоваться оберткой (flavour) catboost.
+
+Зарегистрируйте данную модель как третью версию. Можно через интерфейс, можно с использованием API.
+
+
+### 16
+Актуализировать файл `requirements.txt`.  
+
+Проанализировать все прогоны и выбрать модель, показывающую наилучшее качество. 
+Обучить эту модель на всей выборке (а не только на train-части), залогировать ее. 
+Метрики качества мерить уже не надо, однако кроме самой модели обязательно должны быть залогированы:
+* сигнатура модели 
+* пример входных данных
+* файл `requirements.txt`
+* список используемых столбцов
+
+ В реестре моделей установить ей тэг `Production`
+
+### 17. 
+Актуализировать файлы `README.md`, `.gitignore`.
+
+В Readme нужно 
+* добавить пункт по запуску MLFlow - где находится скрипт, какой командой его запустить.
+* добавить пункт "Результаты исследования" где описать, какая модель показала лучший результат и какой. Ее параметры и выбранные столбцы. Указать `run_id` прогона с `Production` моделью.
+
+В `.gitignore` добавить в исключения папку с артефактами mlflow, и базу `mlruns.db`.
+
+Убедитесь, что скрипт по запуску **должен быть обязательно закоммичен!** 
+
+
+### 18. 
+Отправить изменения на github. 
+
+Сохранить на флешку или иным способом директорию `./mlflow`. Убедитесь, что в ней содержится папка `mlartifacts` и база `mlruns.db`
+
+
+
+## Контрольные вопросы
+
+1. Для чего нужен этап feature extraction?
+1. Для чего нужен этап feature selection?
+1. Для чего используется фреймворл mlfow?
+1. Что такое "гиперпараметры модели" для чего и как их настраивать?
+1. Как выглядит пайплайн работы модели, какие шаги в нем могут быть?