-
Notifications
You must be signed in to change notification settings - Fork 0
/
Pelec_04_fonctions.py
751 lines (668 loc) · 33.1 KB
/
Pelec_04_fonctions.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
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
#***********************************************************************************************************************
# Liste des fonctions de ce module :
#
# Fonctions d'export vers MS-Excel:
# - illegal_char_remover : retire certains caractères provoquant des erreurs d'écriture vers Excel
# - writeDF2XLfile : écrit un dataframe dans un fichier excel
#
# Fonctions pour l'analyse exploratoire
# - polyreg : renvoie la régression linéaire
# - pair_plot : trace le nuage x,y avec possibilité de tracé de nuage partiel
# - eta_squared : calcule le rapport de corrélation entre une variable catégorielle et une variable numérique
# - df_style_fct, df_style : fonction de style pour l'affichage des dataframes de corrélation
# - sort_columns, sort_index, sort_labels: fonctions utilisées par cor_table
# - cor_table: calcule et affiche la table des corrélations de Pearson d'une liste de variables numériques 2 à 2
# - eta_table: calcule et affiche la table des rapport de corrélations entre variables catégorielles et numériques
#
# Fonctions de transformation inverse des cibles de la modélisation
# t_nrj, t_ghg
#
# Fonctions d'initialisation de l'étude de modélisation
# - init_target_list : initialise la liste des variables cibles de la modélisation
# - init_scoring_list : initialise la liste des scorings qui seront utilisés par les fonctions de modélisation
# - init_criterion_list : initialise la liste des critères de comparaison des modèles
# - model_name : retourne le nom du modèle sous forme de chaine de caractères, utilisée par append_model
# - append_model : ajoute un nouveau modèle à la liste de comparaison
# - init_result_table : initialise la table des résultats
# - df_styler : fonction de style pour l'affichage de la table des résultats
#
# Fonctions utilisées pour la modélisation
# - search_best_model : entrainement pour la recherche sur grille et affichage du résultat
# - model_eval : évaluation de modèle sur l'échantillon de test et enregistrement du résultat
# - eval_results : affichage du résultat comparé des modèles et enregistrement dans un fichier csv
# - plot_model_comparison : affichage graphique de la comparaison des modèles (bargraph horizontal)
# - learning_graph : affiche la learning curve pour 3 scorings (r2, MSE, MAE)
# - plot_estimator_coef : bargraph horizontal des coefficients du modèle de régression linéaire
# - plot_feature_importance : bargraph horizontal de l'importance des features du modèle ensembliste
# - coef_vs_alpha : graphe des coefficient de la régression linéaire en fonction de alpha
# - show_gram : affiche graphiquement des 100x100 premières lignes et colonnes de la matrice de Gram
# - get_param : sous-fonction de plt_grid pour ordonner les paramètres de grille
# - plt_grid : affichage des graphes de score en fonction des paramètres de grille (max 3)
#
#***********************************************************************************************************************
import numpy as np
import pandas as pd
import matplotlib as mpl
import matplotlib.pyplot as plt
from matplotlib.gridspec import GridSpec
from matplotlib import rcParams
from numpy.polynomial import polynomial as P
import scipy.stats as st
from scipy.stats import f
import seaborn as sns
import re
import sys
import gc
# Display options
from IPython.display import (display, display_html, display_png, display_svg)
pd.set_option('display.max_rows', 200)
pd.set_option('display.max_columns', 200)
pd.set_option('display.width', 1000)
pd.set_option('display.max_colwidth', 199)
pd.set_option('display.colheader_justify', 'center')
pd.set_option('display.precision', 3)
# Colorama
from colorama import Fore, Back, Style
# Fore: BLACK, RED, GREEN, YELLOW, BLUE, MAGENTA, CYAN, WHITE, RESET.
# Back: BLACK, RED, GREEN, YELLOW, BLUE, MAGENTA, CYAN, WHITE, RESET.
# Style: DIM, NORMAL, BRIGHT, RESET_ALL
# Répertoires de sauvegarde
dir_data = ".\Pelec_05_data"
# Remove ILLEGAL CHARACTER to write DataFrame in a MS-Excel file
ILLEGAL_CHARACTERS_RE = re.compile(r'[\000-\010]|[\013-\014]|[\016-\037]|[\x00-\x1f\x7f-\x9f]|[\uffff]')
def illegal_char_remover(df):
if isinstance(df, str):
return ILLEGAL_CHARACTERS_RE.sub("", df)
else:
return df
# Ecriture dans un fichier MS-Excel
def writeDF2XLfile(data, fileName):
data4xl = data.applymap(illegal_char_remover)
data4xl.to_excel(fileName + ".xlsx", encoding='utf-8-sig')
# Régression avec np.polynomial.polynomial.polyfit entre les colonnes xlabel et ylabel du DataFrame data
# Si l'argument 'full' n'est pas spécifié, renvoie les coefficients du polynôme: poly[i] coefficient du terme en X^i
# Sinon retourne 'reg' avec:
# - poly=reg[0] coefficients du polynôme: poly[i] coefficient du terme en X^i
# - list=reg[1] permet de calculer r2 = 1 - list[0][0] / (np.var(yData) * len(yData))
def polyreg(data, xlabel, ylabel, full=False, deg=1):
xData = data[xlabel].copy(deep=True)
yData = data[ylabel].copy(deep=True)
if not full: return P.polyfit(xData, yData, deg=deg)
else: return P.polyfit(xData, yData, deg=deg, full=True)
# Tracé de graphe par paire de variables numériques avec :
# - à gauche le nuage de l'ensemble des points
# - à droite, si un ou plusieurs arguments sont spécifiés, le nuage réduit avec la courbe de tendance
def pair_plot(data, pair, exclude_x=None, exclude_y=None, xmin=None, xmax=None, ymin=None, ymax=None):
# Initialisation des paramètres avec les kwargs
if exclude_x is not None: bx=True
else: bx=False
if exclude_y is not None: by=True
else: by=False
if xmin is not None: bxmin=True
else: bxmin=False
if xmax is not None: bxmax=True
else: bxmax=False
if ymin is not None: bymin=True
else: bymin=False
if ymax is not None: bymax=True
else: bymax=False
df = data[pair].copy(deep=True)
coef_p = st.pearsonr(df[pair[0]], df[pair[1]])[0]
# Pour éventuellement examiner la corrélation en excluant les valeurs nulles
if not bx and not by and not bxmin and not bxmax and not bymin and not bymax:
print("Nuage complet, Pearson=" + f"{coef_p:.2f}")
sns.jointplot(data=df, x=pair[0], y=pair[1], kind="reg", marginal_kws=dict(bins=20, fill=True))
else:
fig, axes = plt.subplots(1, 2, figsize=(10, 5), sharey=True)
suptitle = "Pairplot " + pair[0] + " et " + pair[1]
fig.suptitle(suptitle)
sns.scatterplot(ax=axes[0], data=df, x=pair[0], y=pair[1])
title = "Nuage complet, Pearson=" + f"{coef_p:.2f}"
axes[0].set_title(title)
if bx:
df = df[df[pair[0]] != exclude_x]
if by:
df = df[df[pair[1]] != exclude_y]
if bxmin:
df = df[df[pair[0]] >= xmin]
if bxmax:
df = df[df[pair[0]] <= xmax]
if bymin:
df = df[df[pair[1]] >= ymin]
if bymax:
df = df[df[pair[1]] <= ymax]
coef_p_ve = st.pearsonr(df[pair[0]], df[pair[1]])[0]
g = sns.scatterplot(ax=axes[1], data=df, x=pair[0], y=pair[1])
poly = polyreg(df, pair[0], pair[1])
g.axline(xy1=(0, poly[0]), slope=poly[1], color='k', dashes=(5, 2))
title = "Nuage partiel, Pearson=" + f"{coef_p_ve:.2f}"
axes[1].set_title(title)
plt.tight_layout()
plt.show()
# plt.savefig("Figure - pairplot recherche correlation.png", dpi=150)
# Calcul du rapport de corrélation entre une variable catégorielle x et une variable quantitative y
def eta_squared(x, y):
moyenne_y = y.mean()
classes = []
for classe in x.unique():
yi_classe = y[x==classe]
classes.append({'ni': len(yi_classe),
'moyenne_classe': yi_classe.mean()})
SCT = sum([(yj-moyenne_y)**2 for yj in y])
SCE = sum([c['ni']*(c['moyenne_classe']-moyenne_y)**2 for c in classes])
return SCE/SCT
# Fonctions de style d'affichage de dataframe avec display
# Code type: df.style.pipe(df_style).applymap(df_style_fct)
# Seuil de mise en évidence de valeurs, à ajuster dans le Notebook
thresshold = 0.5
# Ajoute une bordure rouge épaisse aux valeurs supérieures au seuil
def df_style_fct(val):
if (val > thresshold) and (val!=1):
border = '3px solid red'
else:
border = '1px solid black'
return 'border: %s' % border
# Règle le style d'affichage du dataframe
# - Nombres float avec 2 chiffres après la virgule
# - Gradient de couleurs avec la colormap "BuGn" entre les valeurs vmin et vmax
def df_style(styler):
styler.format("{:.2f}")
styler.background_gradient(axis=None, vmin=0, vmax=1, cmap="seismic")
return styler
def sort_columns(data):
return data[sorted(data.columns.tolist())]
def sort_index(data):
return data.reindex(sorted(data.index.tolist()))
def sort_labels(data):
return sort_index(sort_columns(data))
def cor_table(data, num_features, thresshold=0.5, XLexport=None):
# Etablissement de la table des corrélations entre variables numériques
df_cor = np.array([st.pearsonr(data[feature], data[other_feature])[0] for feature in num_features for other_feature in num_features])
df_cor = pd.DataFrame(np.reshape(df_cor, (len(num_features), len(num_features))), index=num_features, columns=num_features)
# Export optionnel de la table dans un fichier excel
if XLexport is not None:
writeDF2XLfile(df_cor, XLexport)
# Filtrage avec la valeur de seuil
df_hit = df_cor.applymap(lambda x: x >= thresshold)
print(Fore.LIGHTGREEN_EX + "* Recherche de corrélations potentielle entre les caractéristiques numériques",
", coefficient de Pearson >", thresshold, ":" + Style.RESET_ALL)
list_cor = []
list_pair_cor = []
for feature in num_features:
for other_feature in df_hit.index[df_hit[feature]==True].tolist():
if other_feature != feature:
if other_feature not in list_cor:
list_cor.append(other_feature)
if [other_feature, feature] not in list_pair_cor:
list_pair_cor.append([feature, other_feature])
df_cor.at[feature, feature] = 1
df_cor = df_cor.loc[list_cor, list_cor]
df_cor = sort_labels(df_cor)
# Affichage du résultat
print(Fore.LIGHTBLUE_EX + " -> Liste des", len(list_pair_cor), "paires de caractéristiques à examiner :" + Style.RESET_ALL)
display(list_pair_cor)
# Affichage des correlations en surbrillance
print(Fore.LIGHTBLUE_EX + " -> Table des corrélations :" + Style.RESET_ALL)
display(df_cor.style.pipe(df_style).applymap(df_style_fct))
# Etablissement d'une table de calcul des η² par paires de variables catégorielles,
# dont la liste est dans cat_features, et numériques, dont la liste est dans num_features
# La valeur de seuil (thresshold) filtre les valeurs supérieures
# Possibilité d'export de la table vers MS-Excel en spécifiant le nom de fichier
def eta_table(data, cat_features, num_features, thresshold=0.5, XLexport=None):
# Matrice des corrélations
df_eta = np.array(
[eta_squared(data[feature], data[other_feature]) for feature in cat_features for other_feature in
num_features])
df_eta = pd.DataFrame(np.reshape(df_eta, (len(cat_features), len(num_features))), index=cat_features,
columns=num_features)
# Export vers MS-Excel avec le fichier spécifié dans 'save'
if XLexport is not None:
writeDF2XLfile(df_eta, XLexport)
# Test de la matrice par rapport à un seuil
df_hit = df_eta.applymap(lambda x: x >= thresshold)
print(
Fore.LIGHTGREEN_EX + "* Recherche de corrélations potentielle entre caractéristiques catégorielles et numériques",
", coefficient η² >", thresshold, ":" + Style.RESET_ALL)
# Liste des paires avec η² > thresshold et liste des exclusions par overfitting (trop de catégories)
list_pair_eta = []
cat_exclusions = []
thr_cat_excl = int(data.shape[0] / 100)
for num_feature in num_features:
for cat_feature in df_hit.index[df_hit[num_feature] == True].tolist():
if len(data[cat_feature].unique()) > thr_cat_excl:
if cat_feature not in cat_exclusions:
cat_exclusions.append(cat_feature)
elif [cat_feature, num_feature] not in list_pair_eta:
list_pair_eta.append([cat_feature, num_feature])
list_pair_eta.sort()
# Affichage des exclusions par overfitting
if len(cat_exclusions) > 0:
print(Fore.LIGHTBLUE_EX + " -> Caractéristiques exclues de l'analyse car comportant trop (>",
thr_cat_excl, ", soit >{:.1f}%) de catégories (situation d'overfitting):".format(
round(100.0 * thr_cat_excl / data.shape[0], 1)) +
Style.RESET_ALL)
display(cat_exclusions)
df_eta = sort_labels(df_eta)
display(df_eta.loc[cat_exclusions].style.pipe(df_style).applymap(df_style_fct))
# Affichage des paires de caractéristiques au-dessus du seuil de corrélation
print(Fore.LIGHTBLUE_EX + " -> Liste des", len(list_pair_eta), "paires de caractéristiques à examiner :" +
Style.RESET_ALL)
display(list_pair_eta)
cat_items = list(set([item[0] for item in list_pair_eta]))
num_items = list(set([item[1] for item in list_pair_eta]))
df_eta = df_eta.loc[cat_items, num_items]
df_eta = sort_labels(df_eta)
print(Fore.LIGHTBLUE_EX + "\n -> Table des corrélations :" + Style.RESET_ALL)
display(df_eta.style.pipe(df_style).applymap(df_style_fct))
#***********************************************************************************************************************
# Fonctions de transformation inverse des cibles
# → les variables de facteur d'échelle initialisées pour chaque fonction sont à fixer dans le Notebook1
#***********************************************************************************************************************
# Transformation inverse 'SiteEnergyUse(kBtu)'
min_nrj = 11441
max_nrj = 873923712
mean_nrj = 8047522
def t_nrj(df):
df = np.log(min_nrj) + (np.log(max_nrj) - np.log(min_nrj)) * df
df = np.exp(df)
return df
# Transformation inverse 'TotalGHGEmissions'
min_ghg = 0
max_ghg = 16871
mean_ghg = 178
eps = 0.175
def t_ghg(df):
df = df * (np.log(max_ghg+eps) - np.log(eps)) + np.log(eps)
df = eps + np.exp(df)
return df
#***********************************************************************************************************************
#
#Fonctions d'initialisation pour le machone learning et de formatage du tableau de résultats
#
# Initialise la liste des cibles
targets = []
def init_target_list(target_list):
for target in target_list:
targets.append(target)
return targets
# Initialise la liste des scoring d'analyse des modèles
scorings = []
def init_scoring_list(scoring_list):
for scoring in scoring_list:
scorings.append(scoring)
return scorings
# Initialise la liste des critères de comparaison des modèles
criterions = []
def init_criterion_list(criterion_list):
for criterion in criterion_list:
criterions.append(criterion)
return criterions
# Retourne le nom du modèle (sans les '()')
def model_name(fname):
return str(fname).split('(')[0]
# Initialisation du tableau des résultats pour chaque cible de modélisation
model_names = []
def append_model(model, suffix=''):
name = model_name(model) + str(suffix)
if name not in model_names:
model_names.append(name)
return model, name
#return clone(model), name
result_tables = {}
def init_result_table():
columns = criterions.copy()
columns.append('model')
for target in targets:
result_tables[target] = pd.DataFrame([], columns=columns)
# Style d'affichage des tables de résultat
formatter = {'r2': '{:.3f}',
'neg_mean_squared_error': '{:.6f}',
'neg_mean_absolute_error': '{:.6f}',
'neg_median_absolute_error': '{:.6f}',
'fit_time': '{:.3f}s'
}
def df_styler(styler):
styler.format(formatter, na_rep='-')
styler.set_table_styles([
{'selector': 'th.col_heading', 'props': 'text-align: center; border: 1px solid black; background-color: #4b8bbe'},
{'selector': 'th.row_heading', 'props': 'text-align: right; border: 1px solid black; background-color: #4b8bbe'},
{'selector': 'td', 'props': 'text-align: right; font-weight: bold; border: 1px solid black'}
], overwrite=False)
#styler.highlight_min(color='red', axis=0)
styler.highlight_max(color='steelblue', axis=0)
return styler
########################################################################################################################
#Fonctions de machine learning
# Fonction d'évaluation de modèle
from sklearn import metrics
import timeit
from sklearn.base import clone
def model_eval(model, model_name, target, X_train, y_train, X_test, y_test):
# Vérification qu'il s'agit d'un modèle de la table de résultat
if model_name not in model_names:
print("Le nom de modèle ne figure pas dans la liste\n")
return None
# Calcul des résultats
columns = criterions.copy()
columns.append('model')
df = pd.DataFrame([], index=[model_name], columns=columns)
mdl = clone(model)
start_time = timeit.default_timer()
mdl.fit(X_train, y_train)
elapsed = timeit.default_timer() - start_time
y_pred = model.predict(X_test)
if 'r2' in criterions:
df.at[model_name, 'r2'] = metrics.r2_score(y_test, y_pred)
if 'neg_mean_squared_error' in criterions:
df.at[model_name, 'neg_mean_squared_error'] = -metrics.mean_squared_error(y_test, y_pred)
if 'neg_mean_absolute_error' in criterions:
df.at[model_name, 'neg_mean_absolute_error'] = -metrics.mean_absolute_error(y_test, y_pred)
if 'neg_median_absolute_error' in criterions:
df.at[model_name, 'neg_median_absolute_error'] =-metrics.median_absolute_error(y_test, y_pred)
if 'fit_time' in criterions:
df.at[model_name, 'fit_time'] = -elapsed
df.at[model_name, 'model'] = mdl
# Ajout du résultat dans la table
if model_name in result_tables[target].index:
result_tables[target].loc[model_name] = df.loc[model_name]
else:
result_tables[target] = pd.concat([result_tables[target], df], axis=0)
# Enregistrement et affichage des résultats
print(Fore.GREEN + f" → Evaluation sur l'échantillon de test :" + Style.RESET_ALL)
display(result_tables[target][criterions].style.pipe(df_styler))
return result_tables[target]
# Affichage du tableau de résultat
def eval_results(target):
display(result_tables[target][criterions].style.pipe(df_styler))
result_tables[target].to_csv(dir_data + "\\" + target + ".csv", encoding='utf-8-sig', index=True, sep=';')
# Tracé de l'histogramme de comparaison des modèles
def plot_model_comparison(target, criterions=criterions, subplots=True):
df = result_tables[target][criterions].copy()
if subplots==False:
for col in df.columns:
df[col] = 100 * (df[col] - df[col].min()) / (df[col].max() - df[col].min())
df.plot.barh(figsize=(15, int(len(df)/2)+1), legend=True, grid=True)
plt.title(f"Comparaison des modèles pour {target} (base 0-100 pour min-max)", fontsize=14)
else:
df.plot.barh(subplots=True, figsize=(15, int(len(criterions)/2)+1), legend=False, grid=True)
plt.tight_layout()
plt.show()
# Fonction d'entrainement de modèle et affichage des résultats
# Retourne la grille de modèles entrainés
from datetime import timedelta
def search_best_model(grid, target, X_train, y_train):
start_time = timeit.default_timer()
grid.fit(X_train, y_train)
model = grid.best_estimator_
elapsed = timeit.default_timer() - start_time
# Affichage des résultats
print(Fore.GREEN + "► Modélisation de" + Style.RESET_ALL, target)
print(Fore.GREEN + f" → Meilleur modèle =" + Style.RESET_ALL, f"{model}")
print(Fore.GREEN + f" → Meilleurs paramètres =" + Style.RESET_ALL, f"{grid.best_params_}")
print(Fore.GREEN + f" → Meilleur score d'entrainement =" + Style.RESET_ALL,
f"{grid.best_score_:.4f}")
print(Fore.GREEN + f" → Temps de recherche =" + Style.RESET_ALL, f"{timedelta(seconds=elapsed)}")
return grid
# Graphe de la learning curve pour une régression
from sklearn.model_selection import learning_curve
from scipy.special import ndtri, ndtr
from sklearn.base import clone
def learning_graph(model, X, y, scoring='neg_mean_squared_error', cv=4, n_pts=20, err=2*(1-ndtr(1)),
n_jobs=-1, random_state=None):
print(Fore.GREEN + f" → Courbe d'apprentissage :" + Style.RESET_ALL)
scorings = ['r2', 'neg_mean_squared_error', 'neg_mean_absolute_error']
n_pts = max(3, int(n_pts))
train_sizes = []
q = 0.01**(1/n_pts)
for i in range(n_pts-1):
train_sizes.append(1-q**(i+1))
train_sizes.append(1)
fig = plt.figure(figsize=(5*len(scorings), 4))
for idx in range(len(scorings)):
ax = fig.add_subplot(1, len(scorings), idx+1)
N, train_score, val_score, fit_times, score_times = learning_curve(
model, X, y, scoring=scorings[idx], cv=cv, train_sizes=train_sizes,
n_jobs=n_jobs, random_state=random_state, return_times=True)
# Paramètres pour les courbes de train_score
ts_mean = np.mean(train_score, axis=1)
ts_std = np.std(train_score, axis=1)
if idx == 0:
ts_min = ts_mean - ndtri(1 - err / 2) * ts_std
ts_max = ts_mean + ndtri(1 - err / 2) * ts_std
ts_max[ts_max > 1] = 1
else:
ts_min = ts_mean - ndtri(1 - err / 2) * ts_std
ts_max = ts_mean + ndtri(1 - err / 2) * ts_std
ts_max[ts_max > 0] = 0
# Paramètres pour les courbes de val_score
vs_mean = np.mean(val_score, axis=1)
vs_std = np.std(val_score, axis=1)
if idx==0:
vs_min = vs_mean - ndtri(1 - err / 2) * vs_std
vs_max = vs_mean + ndtri(1 - err / 2) * vs_std
vs_max[vs_max>1] = 1
else:
vs_min = vs_mean - ndtri(1 - err / 2) * vs_std
vs_max = vs_mean + ndtri(1 - err / 2) * vs_std
vs_max[vs_max>0] = 0
# Recouvrement entre les faisceaux de courbes de training et validation
rec = (ts_min[-1]<=vs_mean[-1]) or (vs_max[-1]>=ts_mean[-1])
# Tracé des courbes de score
ax.set_title(f"Scoring='{scorings[idx]}'\n(vs={vs_mean[-1]:.4f}, ts={ts_mean[-1]:.4f}, rec={rec})")
ax.plot(N, ts_mean, color='coral', label='Train score')
ax.fill_between(N, ts_max, ts_min, color='coral', alpha=0.2)
ax.plot(N, vs_mean, color='steelblue', label='Validation score')
ax.fill_between(N, vs_max, vs_min, color='steelblue', alpha=0.2)
# Fixation des limites de tracé
ax.set_xlim(left=N[0])
if np.amax(val_score)>0:
ax.set_ylim(bottom=max(0, np.amin(vs_mean)), top=np.amax(ts_max))
else:
ax.set_ylim(bottom=np.amin(vs_mean), top=min(0, np.amax(ts_max)))
if scorings[idx] == scoring:
# Tangente en fin de courbe de val_score
n = max(int(n_pts/3), 3)
vs_poly = P.polyfit(N[-n:], vs_mean[-n:], deg=1)
vs_lc = max(vs_poly[1], 0)
ts_poly = P.polyfit(N[-n:], ts_mean[-n:], deg=1)
ts_lc = min(ts_poly[1], 0)
dN = 0 if vs_lc==ts_lc else (ts_poly[0] - min(ts_std[-1], vs_std[-1]) - vs_poly[0]) / (vs_lc - ts_lc)
ax.axline(xy1=(0, vs_poly[0]), slope=vs_poly[1], color='steelblue', ls='--', lw=1)
ax.axline(xy1=(0, ts_poly[0]), slope=ts_poly[1], color='coral', ls='--', lw=1)
plt.grid(visible=True)
ax.legend()
plt.suptitle("Courbes d'apprentissages selon différentes méthodes de scoring", fontsize=16)
plt.tight_layout()
plt.show()
# Nettoyage
del train_sizes, N, train_score, val_score, fit_times, score_times
del ts_mean, ts_std, ts_min, ts_max
del vs_mean, vs_std, vs_min, vs_max
gc.collect()
return dN
def plot_estimator_coef(model, labels_X):
height = int(len(labels_X) / 4)
pd.DataFrame(model.coef_, index=labels_X).plot.barh(figsize=(10, height))
plt.gca().invert_yaxis()
legend = plt.legend()
legend.remove()
plt.grid(visible=True)
plt.title("Coefficients du meilleur modèle de régression", fontsize=16)
plt.tight_layout()
plt.show()
def plot_feature_importance(model, labels_X):
height = int(len(labels_X) / 4)
pd.DataFrame(model.feature_importances_, index=labels_X).plot.barh(figsize=(10, height))
plt.gca().invert_yaxis()
legend = plt.legend()
legend.remove()
plt.grid(visible=True)
plt.title("Importance des features", fontsize=16)
plt.tight_layout()
plt.show()
# Graphe des coefficients de la régression en fonction de alpha (régularisation)
def coef_vs_alpha(grid, X_train, y_train, X_test, y_test):
coefs = []
mse = []
model_name = str(grid.best_estimator_).split('(')[0]
model = clone(grid.best_estimator_)
n_alphas = 100
best_alpha = grid.best_params_['alpha']
alpha_min = np.log(best_alpha) - 1
alpha_max = np.log(best_alpha) + 4
alphas = np.logspace(alpha_min, alpha_max, n_alphas)
for a in alphas:
model.set_params(alpha=a)
model.fit(X_train, y_train)
coefs.append(model.coef_)
mse.append(metrics.mean_squared_error(y_test, model.predict(X_test)))
print(Fore.GREEN + f" → Coefficients en fonction de la régularisation alpha :" + Style.RESET_ALL)
fig = plt.figure(figsize=(16, 6))
ax1 = fig.add_subplot(1, 2, 1)
ax1.plot(alphas, coefs)
ax1.plot([best_alpha, best_alpha], [np.amin(coefs), np.amax(coefs)], ls='--', lw=1)
ax1.set_xscale('log')
plt.xlabel('alpha')
plt.ylabel('coefficients')
plt.title('Coefficients en fonction de la régularisation')
ax2 = fig.add_subplot(1, 2, 2)
ax2.plot(alphas, mse)
ax2.plot([best_alpha, best_alpha], [np.amin(mse), np.amax(mse)], ls='--', lw=1)
ax2.set_xscale('log')
plt.xlabel('alpha')
plt.ylabel('MSE')
plt.grid(visible=True)
plt.title('MSE en fonction de la régularisation')
plt.axis('tight')
plt.suptitle(f"Regression {model_name} avec les meilleurs paramètres calculés", fontsize=16)
plt.tight_layout()
plt.show()
def show_gram(grid, X_train):
kmatrix = metrics.pairwise.pairwise_kernels(X_train, metric=grid.best_params_['kernel'])
print(Fore.GREEN + f" → Matrice de Gram, noyau de dimensions" + Style.RESET_ALL, f"{kmatrix.shape}")
kmatrix100 = kmatrix[:100, :100]
plt.pcolor(kmatrix100, cmap=mpl.cm.PuRd)
plt.colorbar()
plt.gca().invert_yaxis()
plt.gca().xaxis.tick_top()
plt.tight_layout()
plt.show()
# Fonction de préparation des paramètres de grille pour utilisation avec plt_grid
# Au moins un des paramètres de param_grid doit être un np.ndarray pour l'axe des abscisses (x)
# Le paramètre sort=True permet de minimiser le nombre de graphiques
# Le paramètre x peut être spécifié: s'il n'est pas de type np.ndarray il y a tentative
# d'en trouver un autre
from operator import itemgetter
def get_param(param_grid, sort=True, x=None):
elt = []
for k, v in param_grid.items():
elt.append([k, len(v), v])
if sort: elt = sorted(elt, key=itemgetter(1))
if x in param_grid.keys():
for index in range(len(elt)):
if elt[index][0] == x: break
elt.append(elt.pop(index))
if isinstance((elt[-1][2]), np.ndarray):
return elt
else:
for index in range(len(elt)-1):
if isinstance((elt[index][2]), np.ndarray):
elt.append(elt.pop(index))
return elt
print("Error: x must be 'ndarray' type")
return None
# Graphes des scores en fonction des paramètres de la grille
# Paramètres:
# - grid: la grille entrainée avec GridSearchCV (retour de la fonction eval_model())
# - param_grid: les paramètres d'entrainement de la grille ; compris entre 1 et 3 paramètres
# - sort=True pour minimiser le nombre de graphiques
# - x: permet de spécifier le paramètre pour l'axe des abscisses
# - scale: spécifie l'échelle de l'axe des abcisses
def plt_grid(grid, param_grid, return_train_score=False, sort=True, x=None, scale='log'):
df = pd.DataFrame(grid.cv_results_).copy()
p = get_param(param_grid, sort=sort, x=x)
print(Fore.GREEN + " → Scores en fonction des paramètres de la grille :" + Style.RESET_ALL)
if len(param_grid)==1:
best_x = grid.best_params_[p[0][0]]
plt.figure(figsize=(7, 6))
if return_train_score:
label_trs = "tr_sc"
x = df[f"param_{p[0][0]}"].values
y = df['mean_train_score'].values
plt.plot(x, y, label=label_trs, ls='dotted', lw=1)
label_tes = "te_sc"
x = df[f"param_{p[0][0]}"].values
y = df['mean_test_score'].values
plt.plot(x, y, label=label_tes, ls='solid', lw=1)
plt.plot([best_x, best_x], plt.gca().get_ylim(), color='k', ls='-', lw=2)
plt.title(f"Paramètre {p[0][0]} (best={best_x:.2e}, score={df['mean_test_score'].max():.2e})", fontsize=12)
plt.xscale(scale)
plt.xlabel(p[0][0])
plt.ylabel('Scores')
plt.legend()
plt.grid(visible=True)
plt.tight_layout()
plt.show()
elif len(param_grid)==2:
best_x = grid.best_params_[p[1][0]]
plt.figure(figsize=(7, 6))
for pl in range(p[0][1]):
if return_train_score:
label_trs = "tr_sc_" + f"{p[0][0]}={p[0][2][pl]}"
x = df.loc[df[f"param_{p[0][0]}"]==p[0][2][pl], f"param_{p[1][0]}"].values
y = df.loc[df[f"param_{p[0][0]}"]==p[0][2][pl], 'mean_train_score'].values
plt.plot(x, y, label=label_trs, ls='dotted', lw=1)
label_tes = "te_sc_" + f"{p[0][0]}={p[0][2][pl]}"
x = df.loc[df[f"param_{p[0][0]}"]==p[0][2][pl], f"param_{p[1][0]}"].values
y = df.loc[df[f"param_{p[0][0]}"]==p[0][2][pl], 'mean_test_score'].values
plt.plot(x, y, label=label_tes, ls='solid', lw=1)
plt.plot([best_x, best_x], plt.gca().get_ylim(), color='k', ls='-', lw=2)
plt.title(f"Paramètres de la grille (best: {p[1][0]}={best_x:.2e},"
f"score={df['mean_test_score'].max():.2e})", fontsize=12)
plt.xscale(scale)
plt.xlabel(p[1][0])
plt.ylabel('Scores')
plt.legend()
plt.grid(visible=True)
plt.tight_layout()
plt.show()
elif len(param_grid)==3:
best_x = grid.best_params_[p[2][0]]
if p[0][1] >= 3: n_width = 3
else: n_width = p[0][1] % 3
n_height = 1 + int((p[0][1]-1) / 3)
fig = plt.figure(figsize=(7*n_width, 6*n_height))
for gph, pval in zip(range(p[0][1]), p[0][2]):
df_gph = df.loc[df[f"param_{p[0][0]}"]==p[0][2][gph]].copy()
max_x = df_gph.loc[df_gph['mean_test_score'].idxmax(), f"param_{p[2][0]}"]
ax = fig.add_subplot(n_height, n_width, gph+1)
for pl in range(p[1][1]):
if return_train_score:
label_trs = "tr_sc_" + f"{p[1][0]}={p[1][2][pl]}"
x = df_gph.loc[df_gph[f"param_{p[1][0]}"]==p[1][2][pl], f"param_{p[2][0]}"].values
y = df_gph.loc[df_gph[f"param_{p[1][0]}"]==p[1][2][pl], 'mean_train_score'].values
ax.plot(x, y, label=label_trs, ls='dotted', lw=1)
label_tes = "te_sc_" + f"{p[1][0]}={p[1][2][pl]}"
#dxy = df_gph.loc[df_gph[f"param_{p[1][0]}"] == p[1][2][pl], [f"param_{p[2][0]}", 'mean_test_score']]
x = df_gph.loc[df_gph[f"param_{p[1][0]}"]==p[1][2][pl], f"param_{p[2][0]}"].values
y = df_gph.loc[df_gph[f"param_{p[1][0]}"]==p[1][2][pl], 'mean_test_score'].values
ax.plot(x, y, label=label_tes, ls='solid', lw=1)
ax.plot([max_x, max_x], ax.get_ylim(), color='k', ls='--', lw=1)
ax.plot([best_x, best_x], ax.get_ylim(), color='k', ls='-', lw=2)
ax.set_title(f"{p[0][0]}={p[0][2][gph]} (best: {p[2][0]}={max_x:.2e},"
f"score={df_gph['mean_test_score'].max():.2e})", fontsize=12)
ax.set_xscale(scale)
plt.xlabel(p[2][0])
plt.ylabel('Scores')
plt.legend()
plt.grid(visible=True)
plt.suptitle(f"Scores (selon 'scoring') en fonctions des paramètres de la grille", fontsize=16)
plt.tight_layout()
plt.show()
# Nettoyage
del df, p, best_x, x, y
gc.collect()
# Filtre les features dont l'importance est inférieure ou égale à une seuil
def feature_filter(model, thres=0.1):
mask = model.feature_importances_>thres
return(mask)