Andrey
6 месяцев назад
Родитель
f4c3239fc8
Сommit
3fa85672fb
@ -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?
|
||||
Двоичный файл не отображается.
Загрузка…
Ссылка в новой задаче