

Predefined pipelines

Auto GOAL permite a los investigadores y profesionales desarrollar rápidamente algoritmos de referencia optimizados en diversos problemas de aprendizaje automático. Para utilizar AutoGOAL de la forma más sencilla posible es necesario definir 3 componentes: - Entrada - Salida - Métrica a optimizar (Función objetivo) Que se le definen a la clase AutoML

El primer paso es importar la clase AutoML

from autogoal.ml import AutoML

El segundo paso es tener un dataset representado en alguno de los tipos definidos en AutoGOAL. Por ejemplo en este caso utilizaremos HAHA un corpus de mensajes de Twitter en español que queremos clasificar en humorísticos o no.

from autogoal.datasets import haha

Cargando los datos

X_train, y_train, X_test, y_test = haha.load()

Como tenemos que representarlo según los tipos definidos en AutoGOAL Vamos a importar los tipos que nos hacen falta para HAHA En este caso podemos verlo como un listado (que se representa con el tipo Seq de Sequence) de oraciones (que se representa con el tipo Sentence) , ya que los mensajes son muy cortos. De las que conocemos (al menos para una parte para modelar como supervisado con el tipo Supervised) la categoría de humor (esta categoría podemos representarla con el tipo VectorCategorical).

Definir el tipo de entrada como las oraciones + las clases supervisadas de las mismas, le deja claro a AutoGOAL que queremos resolver el problema de forma supervisada con un entrenamiento.

from autogoal.kb import Seq, Sentence, VectorCategorical, Supervised

¿Cómo utilizamos esto en la clase AutoML?

automl = AutoML(
    input=(Seq[Sentence], Supervised[VectorCategorical]),  # **tipos de entrada**
    output=VectorCategorical,  # **tipo de salida**

tenemos el parámetro score_metric para definir la función objetivo, que si no le fijamos un valor utiliza por defecto la función autogoal.ml.metrics.accuracy.

)

Ya hasta aquí hemos definido el problema que queremos resolver ahora solo nos resta ejecutar nuestro algoritmo, llamando al método fit.

Para monitorear el estado del proceso de AutoML, podemos pasar un logger al método fit.

from autogoal.search import RichLogger

Entrenando...

automl.fit(X_train, y_train, logger=RichLogger())

Conociemdo que tan bueno es nuestro algoritmo

score = automl.score(X_test, y_test)
print(f"Score: {score:0.3f}")

Esto significa que nuestro algoritmo el mejor pipeline que encontró reportó un accuracy "result"

También puede llamarse al método predict que nos hace la predicción para un conjunto de ejemplos

Prediciendo...

predictions = automl.predict(X_test)

for sentence, real, predicted in zip(X_test[:10], y_test, predictions):
    print(sentence, "-->", real, "vs", predicted)