Spark M/L : Classification

• training data : 데이터모델 EDU_TRAIN_WINE csv 파일 다운로드

• test data : 데이터모델 EDU_TEST_WINE csv 파일 다운로드

• 데이터에 대한 참고 설명과 보고서 예제

  • 보고서 이름 : EDU_NEW_분류_RF_DC_1차시험_와인데이터

  • 보고서 설명 : M/L classficaton

classification 에 적용될 알고리즘은

• RandomForestClassification

• RandomForestRegression

• DecisionTreeClassification

• DecisionTreeRegression

• generalizedLinearRegression

• linearRegression

• logisticRegression(LBFGS)

Contents

• Spark M/L : Classification

  • 모델 학습하기

  • 모델 저장 확인하기

    • scaler

    • indexer

    • fit

    • eval

    • fit_predict

  • 모델 검증하기

    • predict

  • 생성한 모델을 새 데이터로 사용하기 : 예측

모델 학습하기

fit RandomForestClassification

* | scaler minmax Alcohol to Alcohol_s,
                  Malic_acid to Malic_acid_s, Ash to Ash_s,
                  Alcalinity_ash to Alcalinity_ash_s,
                  Magnesium to Magnesium_s, Phenols to Phenols_s,
                  Flavanoids to Flavanoids_s, Nonflavanoid_phenols to Nonflavanoid_phenols_s,
                  Proanthocyanins to Proanthocyanins_s, color_intensity to color_intensity_s,
                  Hue to Hue_s, OD280_OD315 to OD280_OD315_s, Proline to Proline_s
  | indexer classId to classId_s
  | fit RandomForestClassification
        FEATURES
                Alcohol_s,Malic_acid_s,Ash_s, Alcalinity_ash_s,Magnesium_s,
                Phenols_s,Flavanoids_s, Nonflavanoid_phenols_s,Proanthocyanins_s,color_intensity_s,Hue_s, OD280_OD315_s,Proline_s
        LABEL classId_s maxDepth=20
        INTO EDU_0702_02_RF_CLASSIFICATION_WINE

• 결과

모델 저장 확인하기

scaler

indexer

fit

eval

fit_predict

모델 검증하기

predict

생성한 모델을 새 데이터로 사용하기 : 예측

• wine 별로 측정한 13개의 feature 데이터를 스케일링 합니다. 여기서는 minmax scaling 을 사용합니다.

• 사용 command : scaler

데이터 스케일링은 데이터 전처리 과정의 하나로 모델 알고리즘 학습에서 중요한 부분입니다.
데이터 스케일링을 해주는 이유는 데이터의 값이 너무 크거나 작은 경우에는 학습과정에서 0으로 수렴하거나 무한으로 발산해버릴 수 있기 때문입니다.
현재 구현된 스케일링은 standard, minmax 가 있습니다.

1) Standard 스케일러
   각 feature의 평균을 0, 분산을 1로 변경합니다. 모든 특성들이 같은 스케일을 갖게 됩니다.
2) MinMax 스케일러
   모든 feature가 0과 1사이에 위치하도록 만듭니다. 데이터가 2차원 셋일 경우, 모든 데이터는 x축의 0과 1 사이에, y축의 0과 1사이에 위치하게 됩니다.

• 검색 command 예시

* | scaler minmax  Alcohol to Alcohol_s, Malic_acid to Malic_acid_s. Ash to Ash_s

• 원본 데이터와 minmax 스케일링 한 데이터 예시

• 사용 Commandfit

  • fit 에 사용한 RandomForest Classification

• 13개 feature 의 값으로 포도 품종에 해당하는 컬럼인 classId 를 분류하는 분류 모델을 RandomForest classification 알고리즘으로 만들어 봅니다.

• RandomForest Classification( 랜덤포레스트 위키설명 ) 은 앙상블(앙상블 학습법 위키 설명) 머신러닝 모델의 하나입니다.

  • 다수의 의사결정 트리를 만들고, 그 나무들의 분류를 취합하여 최종적으로 결론을 도출하는 방식입니다.

  • 다수의 나무를 기반으로 예측하므로, 오버피팅 등의 영향력이 줄어드는 효과를 볼 수 있습니다.

• 검색 명령어 창에서 실행하는 Command 예시

* | scaler minmax Alcohol to Alcohol_s,
                  Malic_acid to Malic_acid_s, Ash to Ash_s,
                  Alcalinity_ash to Alcalinity_ash_s,
                  Magnesium to Magnesium_s, Phenols to Phenols_s,
                  Flavanoids to Flavanoids_s, Nonflavanoid_phenols to Nonflavanoid_phenols_s,
                  Proanthocyanins to Proanthocyanins_s, color_intensity to color_intensity_s,
                  Hue to Hue_s, OD280_OD315 to OD280_OD315_s, Proline to Proline_s
  | fit RandomForestClassification
        FEATURES
                Alcohol_s,Malic_acid_s,Ash_s, Alcalinity_ash_s,Magnesium_s,
                Phenols_s,Flavanoids_s, Nonflavanoid_phenols_s,Proanthocyanins_s,color_intensity_s,Hue_s, OD280_OD315_s,Proline_s
        LABEL classId maxDepth=20
        INTO DEMO_02_RF_CLASSIFICATION_WINE

• command 의 의미

13개 feature 를 minmax 스케일링으로 전처리하고 RandomForestClassification 알고리즘으로 fit
 - FEATURE 는 13개의 스케일링 변환된 컬럼
 - LABEL 은 품종을 나타내는 classId 컬럼
 - fit 으로 학습된 모델은 DEMO_02_RF_CLASSIFICATION_WINE 이라는 모델이름으로 저장

• IRIS Analyzer 의 검색 메뉴에서 분석 탬플릿 인 DEMO_RF_분류_와인_TRAIN 이 배포되어 있습니다.

  • 학습용 wine데이터 모델과 모델 생성 code 가 같이 저장되어 있습니다. 더블클릭하여 검색 메뉴로 불러오기를 할 수 있습니다.

  • 모델 결과는 동일한 이름을 사용할 수 없으므로 그대로 실행하면 에러가 발생합니다.

  • fit 으로 새 모델을 생성하려면 DEMO_02_RF_CLASSIFICATION_WINE 가 아닌 다른 모델 이름으로 수정해서 실행하시기 바랍니다.

생성한 모델의 성능을 평가하는 지표들이 화면에 같이 출력됩니다.

• 모델 평가 용어 정의

TP (True Positive) : 참을 참으로 정확하게 예측
TN (True Negative) : 참을 거짓으로 예측
FP (False Positive) : 거짓을 참으로 예측
FN (False Negative) : 거짓을 거짓으로 정확하게 예측


정확도(accuracy)는 전체 샘플 중 맞게 예측한 샘플 수의 비율을 뜻한다.
높을수록 좋은 모형이다.

 accuracy = (TP + TN) / (TP + TN + FP + FN)


정밀도(precision)은 양성 클래스에 속한다고 출력한 샘플 중 실제로 양성 클래스에 속하는 샘플 수의 비율을 말한다.
높을수록 좋은 모형이다. 1번 품종으로 예측한 와인이 실제로 1번 품종인 레코드의 비율이다.

 precision = TP / (TP + FP)


재현율(recall)은 실제 양성 클래스에 속한 표본 중에 양성 클래스에 속한다고 출력한 표본의 수의 비율을 뜻한다.
높을수록 좋은 모형이다.
TPR(true positive rate) 또는 민감도(sensitivity)라고도 한다.
 recall = TP / ( TP + FN)


F-Score 는 재현율의 가중조화평균(weight harmonic average)을 말한다. 정밀도에 주어지는 가중치를 베타(beta)라고 한다.
베타가 1인 경우를 특별히 F1 점수 라고 한다.

F1 = 2 * precision * recall / (precision + recall)


참고) 조화평균은 측정값의 역수를 합한 값으로 평균을 구한 값. 샘플의 수가 집단별로 동일하지 않을 때 적용하며,
     극단적인 값의 영향력을 줄이기 위해 사용되곤 합니다.

• fit 명령어 실행 결과로 정확도(accuracy), 정밀도(precision), 재현율(recall), F1 값을 모델의 성능 지표로 출력합니다.

• 생성한 Machine Learning 모델은 mlmodel 명령어로 조회할 수 있습니다.

mlmodel summary DEMO_02_RF_CLASSIFICATION_WINE

학습데이터로 훈련한 모델 DEMO_02_RF_CLASSIFICATION_WINE 로 테스트 데이터의 결과를 예측합니다.

predict command 를 이용하여 테스트 데이터의 품종을 예측하고, 얼마나 많은 수의 정답을 예측했는지 알아 봅니다.

테스트데이터에서 품종인 classId 를 제외한 13개 feature 데이터를 DEMO_02_RF_CLASSIFICATION_WINE 모델에 input으로 주고, output 으로 품종을 예측합니다.

품종의 예측값과 실제값을 비교하여 모델의 정확도를 알아 보고, 분류 정확도가 더 높은 모델을 만들기 위한 개선 포인트를 찾아 봅니다.

• 검색 명령어 창에서 실행하는 Command 예시

* | scaler minmax  Alcohol to Alcohol_s,
                   Malic_acid to Malic_acid_s,
                   Ash to Ash_s,
                   Alcalinity_ash to Alcalinity_ash_s,
                   Magnesium to Magnesium_s,
                   Phenols to Phenols_s,
                   Flavanoids to Flavanoids_s,
                   Nonflavanoid_phenols to Nonflavanoid_phenols_s,
                   Proanthocyanins to Proanthocyanins_s,
                   color_intensity to color_intensity_s,
                   Hue to Hue_s,
                   OD280_OD315 to OD280_OD315_s,
                   Proline to Proline_s
  |  predict  DEMO_02_RF_CLASSIFICATION_WINE
              Alcohol_s,Malic_acid_s,  Ash_s,
              Alcalinity_ash_s,  Magnesium_s,  Phenols_s,
              Flavanoids_s, Nonflavanoid_phenols_s,  Proanthocyanins_s,
              color_intensity_s,  Hue_s,  OD280_OD315_s,  Proline_s

테스트 데이터에서 품종 3번은 14개 와인 모두 예측을 하지 못했습니다.

원인을 알아보고 더 성능 좋은 모델을 만들기 위해서는, 정확도 높은 모델이 나올 때 까지 2차, 3차 학습 등 1차 학습과 비슷한 과정들이 추가로 필요합니다.

분류_RF_DC_1차시험_와인데이터 는 테스트 데이터를 RandomForest 와 DecisionTree 모델로 각각 예측한 결과를 bar-chart 로 그리고, 13개 feature 의 분포를 그린 box-plot 들을 링크로 만든 보고서 입니다.