作者：韩信子@ShowMeAI
数据分析实战系列：https://www.showmeai.tech/tutorials/40
机器学习实战系列：https://www.showmeai.tech/tutorials/41
本文地址：https://www.showmeai.tech/article-detail/309
申明：版权所有，转载请分割平台与作者并注明出处
珍藏ShowMeAI查看更多精彩内容
只有给到足够的相干信息，AI模型能够迅速学习一个新的畛域问题，并构建起很好的常识和预估零碎。比方音乐畛域，借助于歌曲相干信息，模型能够依据歌曲的音频和歌词特色将歌曲精准进行流派分类。在本篇内容中 ShowMeAI 就带大家一起来看看，如何基于机器学习实现对音乐的辨认分类。
本篇内容应用到的数据集为 Spotify音乐数据集，大家也能够通过 ShowMeAI 的百度网盘地址疾速下载。
实战数据集下载（百度网盘）：公众号『ShowMeAI钻研核心』回复『实战』，或者点击 这里 获取本文 [[18]音乐流派辨认的机器学习零碎搭建与调优](https://www.showmeai.tech/art...) 『Spotify 音乐数据集』
⭐ ShowMeAI官网GitHub：https://github.com/ShowMeAI-Hub
咱们在本篇内容中将用到最罕用的 boosting 集成工具库 LightGBM，并且将联合 optuna 工具库对其进行超参数调优，优化模型成果。
对于 LightGBM 的模型原理和应用具体解说，欢送大家查阅 ShowMeAI 的文章：
图解机器学习算法(11) | LightGBM模型详解
机器学习实战(5) | LightGBM建模利用详解
本篇文章蕴含以下内容板块：
- 数据概览和预处理
- EDA探索性数据分析
- 歌词特色&数据降维
- 建模和超参数优化
- 总结&教训
数据概览和预处理
本次应用的数据集蕴含超过 18000 首歌曲的信息，包含其音频特色信息（如活力度，播放速度或调性等），以及歌曲的歌词。
咱们读取数据并做一个速览如下：
import pandas as pd# 读取数据data = pd.read_csv("spotify_songs.csv")# 数据速览data.head()# 数据根本信息data.info()字段阐明如下：
| 字段 | 含意 |
|---|---|
| track_id | 歌曲惟一ID |
| track_name | 歌曲名称 |
| track_artist | 歌手 |
| lyrics | 歌词 |
| track_popularity | 唱片热度 |
| track_album_id | 唱片的惟一ID |
| track_album_name | 唱片名字 |
| track_album_release_date | 唱片发行日期 |
| playlist_name | 歌单名称 |
| playlist_id | 歌单ID |
| playlist_genre | 歌单格调 |
| playlist_subgenre | 歌单子格调 |
| danceability | 舞蹈性形容的是依据音乐元素的组合，包含速度、节奏的稳定性、节奏的强度和整体的规律性，来掂量一首曲目是否适宜跳舞。0.0的值是最不适宜跳舞的，1.0是最适宜跳舞的。 |
| energy | 能量是一个从0.0到1.0的度量，代表强度和流动的感知度。一般来说，有能量的曲目给人的感觉是疾速、嘹亮。例如，死亡金属有很高的能量，而巴赫的前奏曲在该量表中得分较低。 |
| key | 音轨的估测总调。用规范的音阶符号将整数映射为音高。例如，0=C，1=C♯/D♭，2=D，以此类推。如果没有检测到音调，则数值为-1。 |
| loudness | 轨道的整体响度，单位是分贝（dB）。响度值是整个音轨的平均值，对于比拟音轨的绝对响度十分有用。 |
| mode | 模式示意音轨的调式（大调或小调），即其旋律内容所来自的音阶类型。大调用1示意，小调用0示意。 |
| speechiness | 语言性检测音轨中是否有书面语。录音越是齐全相似于语音（如脱口秀、说唱、诗歌），属性值就越靠近1.0。 |
| acousticness | 掂量音轨是否为声学的信念指数，从0.0到1.0。1.0示意该曲目为原声的高置信度。 |
| instrumentalness | 预测一个音轨是否蕴含人声。越靠近1.0该曲目就越有可能不蕴含人声内容。 |
| liveness | 检测录音中是否有听众存在。越靠近现场上演数值越大。 |
| valence | 0.0到1.0，形容了一个音轨所传播的音乐积极性，靠近1的曲目听起来更踊跃（如高兴、欢快、兴奋），而靠近0的曲目听起来更消极（如悲伤、压抑、愤恨）。 |
| tempo | 轨道的整体预计速度，单位是每分钟节奏（BPM）。 |
| duration_ms | 歌曲的持续时间（毫秒） |
| language | 歌词的语言语种 |
原始的数据有点芜杂，咱们先进行过滤和数据荡涤。
# 数据工具库import pandas as pdimport re# 歌词解决的nlp工具库import nltkfrom nltk.corpus import stopwordsfrom collections import Counter# nltk.download('stopwords')# 读取数据data = pd.read_csv("spotify_songs.csv")# 字段抉择keep_cols = [x for x in data.columns if not x.startswith("track") and not x.startswith("playlist")]keep_cols.append("playlist_genre")df = data[keep_cols].copy()# 只保留英文歌曲subdf = df[(df.language == "en") & (df.playlist_genre != "latin")].copy().drop(columns = "language")# 歌词规整化，全副小写pattern = r"[^a-zA-Z ]"subdf.lyrics = subdf.lyrics.apply(lambda x: re.sub(pattern, "", x.lower()))# 移除停用词subdf.lyrics = subdf.lyrics.apply(lambda x: ' '.join([word for word in x.split() if word not in (stopwords.words("english"))]))# 查看歌词中的词汇呈现的频次# 连贯所有歌词all_text = " ".join(subdf.lyrics)# 统计词频word_count = Counter(all_text.split())# 如果一个词在200首以上的歌里都呈现，则保留，否则视作低频过滤掉keep_words = [k for k, v in word_count.items() if v > 200]# 构建一个正本lyricdf = subdf.copy().reset_index(drop=True)# 字段名称规范化lyricdf.columns = ["audio_"+ x if not x in ["lyrics", "playlist_genre"] else x for x in lyricdf.columns]# 歌词内容lyricdf.lyrics = lyricdf.lyrics.apply(lambda x: Counter([word for word in x.split() if word in keep_words]))# 构建词汇词频Dataframeunpacked_lyrics = pd.DataFrame.from_records(lyricdf.lyrics).add_prefix("lyrics_")# 缺失填充为0unpacked_lyrics = unpacked_lyrics.fillna(0) # 拼接并删除原始歌词列lyricdf = pd.concat([lyricdf, unpacked_lyrics], axis = 1).drop(columns = "lyrics")# 排序reordered_cols = [col for col in lyricdf.columns if not col.startswith("lyrics_")] + sorted([col for col in lyricdf.columns if col.startswith("lyrics_")])lyricdf = lyricdf[reordered_cols]# 存储为新的csv文件lyricdf.to_csv("music_data.csv", index = False)次要的数据预处理在上述代码的正文里大家能够看到，外围步骤概述如下：
- 过滤数据以仅蕴含英语歌曲并删除“拉丁”类型的歌曲（因为这些歌曲简直齐全是西班牙语，所以会产生重大的类不均衡）。
- 通过将歌词设为小写、删除标点符号和停用词来整顿歌词。计算每个残余单词在歌曲歌词中呈现的次数，而后过滤掉所有歌曲中呈现频率最低的单词（凌乱的数据/乐音）。
- 清理与排序。
EDA探索性数据分析
和过往所有的我的项目一样，咱们也须要先对数据做一些剖析和更进一步的了解，也就是EDA探索性数据分析过程。
EDA数据分析局部波及的工具库，大家能够参考ShowMeAI制作的工具库速查表和教程进行学习和疾速应用。
数据迷信工具库速查表 | Pandas 速查表
图解数据分析：从入门到精通系列教程
首先咱们检查一下咱们的标签（流派）的类散布和均衡。
# 分组统计by_genre = data.groupby("playlist_genre")["audio_key"].count().reset_index()fig, ax = plt.subplots()# 绘图ax.bar(by_genre.playlist_genre, by_genre.audio_key)ax.set_ylabel("Number of Observations")ax.set_xlabel("Genre")ax.set_title("Observations per Class")ax.set_ylim(0, 4000)# 每个柱子上标注数量rects = ax.patchesfor rect in rects: height = rect.get_height() ax.text( rect.get_x() + rect.get_width() / 2, height + 5, height, ha="center", va="bottom" )存在轻微的类别不均衡，那后续咱们在穿插验证和训练测试拆分时候留神数据分层（放弃比例散布） 即可。
# 把所有字段切分为音频和歌词列audio = data[[x for x in data.columns if x.startswith("audio")]]lyric = data[[x for x in data.columns if x.startswith("lyric")]]# 让字段命名更简略一些audio.columns = audio.columns.str.replace("audio_", "")lyric.columns = lyric.columns.str.replace("lyric_", "")歌词特色&数据降维
咱们的机器学习算法在解决高维数据的时候，可能会有一些性能问题，有时候咱们会对数据进行降维解决。
降维的实质是将高维数据投影到低维子空间中，同时尽可能多地保留数据中的信息。对于降维大家能够查看 ShowMeAI 的算法原理解说文章 图解机器学习 | 降维算法详解)
咱们摸索一降落维算法（PCA 和 t-SNE）在咱们的歌词数据上降维是否适合，并做一点调整。
PCA主成分剖析
PCA是最罕用的降维算法之一，咱们借助这个算法能够对数据进行降维，并且看到它保留大略多少的原始信息量。例如，在咱们以后场景中，如果将歌词缩小到400 维，咱们依然保留了歌词中60% 的信息（方差） ；如果降维到800维，则能够笼罩 80% 的原始信息（方差）。歌词自身是很稠密的，咱们对其降维也能让模型更好地建模。
# 惯例数据工具库import pandas as pdimport numpy as np# 绘图import matplotlib.pyplot as pltimport matplotlib.ticker as mtick# 数据处理from sklearn.preprocessing import MinMaxScalerfrom sklearn.decomposition import PCA# 读取数据data = pd.read_csv("music_data.csv")# 切分为音频与歌词audio = data[[x for x in data.columns if x.startswith("audio")]]lyric = data[[x for x in data.columns if x.startswith("lyric")]]# 特色字段y = data.playlist_genre# 数据幅度缩放 + PCA降维scaler = MinMaxScaler()audio_features = scaler.fit_transform(audio)lyric_features = scaler.fit_transform(lyric)pca = PCA()lyric_pca = pca.fit_transform(lyric_features)var_explained_ratio = pca.explained_variance_ratio_ # Plot graphfig, ax = plt.subplots()# Reduce marginsplt.margins(x=0.01)# Get cumuluative sum of variance explainedcum_var_explained = np.cumsum(var_explained_ratio)# Plot cumulative sumax.fill_between(range(len(cum_var_explained)), cum_var_explained, alpha = 0.4, color = "tab:orange", label = "Cum. Var.")ax.set_ylim(0, 1)# Plot actual proportionsax2 = ax.twinx()ax2.plot(range(len(var_explained_ratio)), var_explained_ratio, alpha = 1, color = "tab:blue", lw = 4, ls = "--", label = "Var per PC")ax2.set_ylim(0, 0.005)# Add lines to indicate where good values of components may beax.hlines(0.6, 0, var_explained_ratio.shape[0], color = "tab:green", lw = 3, alpha = 0.6, ls=":")ax.hlines(0.8, 0, var_explained_ratio.shape[0], color = "tab:green", lw = 3, alpha = 0.6, ls=":")# Plot both legends togetherlines, labels = ax.get_legend_handles_labels()lines2, labels2 = ax2.get_legend_handles_labels()ax2.legend(lines + lines2, labels + labels2)# Format axis as percentagesax.yaxis.set_major_formatter(mtick.PercentFormatter(1))ax2.yaxis.set_major_formatter(mtick.PercentFormatter(1)) # Add titles and labelsax.set_ylabel("Cum. Prop. of Variance Explained")ax2.set_ylabel("Prop. of Variance Explained per PC", rotation = 270, labelpad=30)ax.set_title("Variance Explained by Number of Principal Components")ax.set_xlabel("Number of Principal Components")t-SNE可视化
咱们还能够更进一步，可视化数据在一系列降维过程中的可分离性。t-SNE算法是一个十分无效的非线性降维可视化办法，借助于它，咱们能够把数据绘制在二维立体察看其扩散水平。上面的t-SNE可视化展现了当咱们应用所有1806个特色或将其缩小为 1000、500、100 个主成分时，如果将歌词数据投影到二维空间中会是什么样子。
代码如下：
from sklearn.manifold import TSNEimport seaborn as sns# Merge numeric labels with normalised audio data and lyric principal componentstsne_processed = pd.concat([ pd.Series(y, name = "genre"), pd.DataFrame(audio_features, columns=audio.columns), # Add prefix to make selecting pcs easier later on pd.DataFrame(lyric_pca).add_prefix("lyrics_pc_") ], axis = 1)# Get t-SNE values for a range of principal component cutoffs, 1806 is all PCsall_tsne = pd.DataFrame()for cutoff in ["1806", "1000", "500", "100"]: # Create t-SNE object tsne = TSNE(init = "random", learning_rate = "auto") # Fit on normalised features (excluding the y/label column) tsne_results = tsne.fit_transform(tsne_processed.loc[:, "audio_danceability":f"lyrics_pc_{cutoff}"]) # neater graph if cutoff == "1806": cutoff = "All 1806" # Get results tsne_df = pd.DataFrame({"y":y, "tsne-2d-one":tsne_results[:,0], "tsne-2d-two":tsne_results[:,1], "Cutoff":cutoff}) # Store results all_tsne = pd.concat([all_tsne, tsne_df], axis = 0) # Plot gridplotg = sns.FacetGrid(all_tsne, col="Cutoff", hue = "y", col_wrap = 2, height = 6, palette=sns.color_palette("hls", 4), )# Add plotsg.map(sns.scatterplot, "tsne-2d-one", "tsne-2d-two", alpha = 0.3)# Add titles/legendsg.fig.suptitle("t-SNE Plots vs Number of Principal Components Included", y = 1)g.add_legend()现实状况下，咱们心愿看到的是，在降维到某些主成分数量（例如 cutoff = 1000）时，流派变得更加可拆散。
然而，上述 t-SNE 图的结果显示，PCA 这一步不同数量的主成分并没有哪个会让数据标签更可拆散。
自编码器降维
实际上咱们有不同的形式能够实现数据降维工作，在上面的代码中，咱们提供了 PCA、截断 SVD 和 Keras 自编码器三种形式作为候选，调整配置即可进行抉择。
为简洁起见，主动编码器的代码已被省略，但能够在 autoencode 内的性能 custom_functions.py 中的文件库。
# 通用库import pandas as pdimport numpy as np# 建模库from sklearn.model_selection import train_test_splitfrom sklearn.decomposition import PCA, TruncatedSVDfrom sklearn.preprocessing import LabelEncoder, MinMaxScaler# 神经网络from keras.layers import Dense, Input, LeakyReLU, BatchNormalizationfrom keras.callbacks import EarlyStoppingfrom keras import Model# 定义自编码器def autoencode(lyric_tr, n_components): """Build, compile and fit an autoencoder for lyric data using Keras. Uses a batch normalised, undercomplete encoder with leaky ReLU activations. It will take a while to train. -------------------------------------------------- lyric_tr = df of lyric training data n_components = int, number of output dimensions from encoder """ n_inputs = lyric_tr.shape[1] # 定义encoder visible = Input(shape=(n_inputs,)) # encoder模块1 e = Dense(n_inputs*2)(visible) e = BatchNormalization()(e) e = LeakyReLU()(e) # encoder模块2 e = Dense(n_inputs)(e) e = BatchNormalization()(e) e = LeakyReLU()(e) bottleneck = Dense(n_components)(e) # decoder模块1 d = Dense(n_inputs)(bottleneck) d = BatchNormalization()(d) d = LeakyReLU()(d) # decoder模块2 d = Dense(n_inputs*2)(d) d = BatchNormalization()(d) d = LeakyReLU()(d) # 输入层 output = Dense(n_inputs, activation='linear')(d) # 残缺的autoencoder模型 model = Model(inputs=visible, outputs=output) # 编译 model.compile(optimizer='adam', loss='mse') # 回调函数 callbacks = EarlyStopping(patience = 20, restore_best_weights = True) # 训练模型 model.fit(lyric_tr, lyric_tr, epochs=200, batch_size=16, verbose=1, validation_split=0.2, callbacks = callbacks) # 在降维阶段，咱们只用encoder局部就能够(对数据进行压缩) encoder = Model(inputs=visible, outputs=bottleneck) return encoder# 数据预处理函数，次要是对特色列进行降维，标签列进行编码def pre_process(train = pd.DataFrame, test = pd.DataFrame, reduction_method = "pca", n_components = 400): # 切分X和y y_train = train.playlist_genre y_test = test.playlist_genre X_train = train.drop(columns = "playlist_genre") X_test = test.drop(columns = "playlist_genre") # 标签编码为数字 label_encoder = LabelEncoder() label_train = label_encoder.fit_transform(y_train) label_test = label_encoder.transform(y_test) # 对数据进行幅度缩放解决 scaler = MinMaxScaler() X_norm_tr = scaler.fit_transform(X_train) X_norm_te = scaler.transform(X_test) # 重建数据 X_norm_tr = pd.DataFrame(X_norm_tr, columns = X_train.columns) X_norm_te = pd.DataFrame(X_norm_te, columns = X_test.columns) # mode和key都设定为类别型 X_norm_tr["audio_mode"] = X_train["audio_mode"].astype("category").reset_index(drop = True) X_norm_tr["audio_key"] = X_train["audio_key"].astype("category").reset_index(drop = True) X_norm_te["audio_mode"] = X_test["audio_mode"].astype("category").reset_index(drop = True) X_norm_te["audio_key"] = X_test["audio_key"].astype("category").reset_index(drop = True) # 歌词特色 lyric_tr = X_norm_tr.loc[:, "lyrics_aah":] lyric_te = X_norm_te.loc[:, "lyrics_aah":] # 如果应用PCA降维 if reduction_method == "pca": pca = PCA(n_components) # 拟合训练集 reduced_tr = pd.DataFrame(pca.fit_transform(lyric_tr)).add_prefix("lyrics_pca_") # 对测试集变换（降维） reduced_te = pd.DataFrame(pca.transform(lyric_te)).add_prefix("lyrics_pca_") # 如果应用SVD降维 if reduction_method == "svd": svd = TruncatedSVD(n_components) # 拟合训练集 reduced_tr = pd.DataFrame(svd.fit_transform(lyric_tr)).add_prefix("lyrics_svd_") # 对测试集变换（降维） reduced_te = pd.DataFrame(svd.transform(lyric_te)).add_prefix("lyrics_svd_") # 如果应用自编码器降维（留神，神经网络的训练工夫会长一点，要急躁期待） if reduction_method == "keras": # 构建自编码器 encoder = autoencode(lyric_tr, n_components) # 通过编码器局部进行数据降维 reduced_tr = pd.DataFrame(encoder.predict(lyric_tr)).add_prefix("lyrics_keras_") reduced_te = pd.DataFrame(encoder.predict(lyric_te)).add_prefix("lyrics_keras_") # 合并降维后的歌词特色与音频特色 X_norm_tr = pd.concat([X_norm_tr.loc[:, :"audio_duration_ms"], reduced_tr ], axis = 1) X_norm_te = pd.concat([X_norm_te.loc[:, :"audio_duration_ms"], reduced_te ], axis = 1) return X_norm_tr, label_train, X_norm_te, label_test, label_encoder# 分层切分数据train_raw, test_raw = train_test_split(data, test_size = 0.2, shuffle = True, random_state = 42, # random, reproducible split stratify = data.playlist_genre)# 设定降维最终维度n_components = 500# 抉择降维办法，候选: "pca", "svd", "keras"reduction_method = "pca"# 残缺的数据预处理X_train, y_train, X_test, y_test, label_encoder = pre_process(train_raw, test_raw, reduction_method = reduction_method, n_components = n_components)上述过程之后咱们曾经实现对数据的标准化、编码转换和降维，接下来咱们应用它进行建模。
建模和超参数优化
构建模型
在理论建模之前，咱们要先选定一个评估指标来评估咱们模型的性能，也不便领导进一步的优化。因为咱们数据最终的标签『流派/类别』略有不均衡，宏观 F1 分数（macro f1-score） 可能是一个不错的抉择，因为它平等地评估了类别的奉献。咱们在上面对这个评估准则进行定义，也敲定 LightGBM 模型的局部超参数。
from sklearn.metrics import f1_score# 定义评估准则(Macro F1)def lgb_f1_score(preds, data): labels = data.get_label() preds = preds.reshape(5, -1).T preds = preds.argmax(axis = 1) f_score = f1_score(labels , preds, average = 'macro') return 'f1_score', f_score, True# 用于编译的参数fixed_params = { 'objective': 'multiclass', 'metric': "None", # 咱们自定义的f1-score能够利用 'num_class': 5, 'verbosity': -1,}LightGBM 带有大量可调超参数，这些超参数对于最终成果影响很大。
对于 LightGBM 的超参数细节具体解说，欢送大家查阅 ShowMeAI 的文章：
机器学习实战(5) | LightGBM建模利用详解
上面咱们会基于Optuna这个工具库对 LightGBM 的超参数进行调优，咱们须要在 param 定义超参数的搜寻空间，在此基础上 Optuna 会进行优化和超参数的抉择。
# 建模from sklearn.model_selection import StratifiedKFoldimport lightgbm as lgbfrom optuna.integration import LightGBMPruningCallback# 定义指标函数def objective(trial, X, y): # 候选超参数 param = {**fixed_params, 'boosting_type': 'gbdt', 'num_leaves': trial.suggest_int('num_leaves', 2, 3000, step = 20), 'feature_fraction': trial.suggest_float('feature_fraction', 0.2, 0.99, step = 0.05), 'bagging_fraction': trial.suggest_float('bagging_fraction', 0.2, 0.99, step = 0.05), 'bagging_freq': trial.suggest_int('bagging_freq', 1, 7), 'min_child_samples': trial.suggest_int('min_child_samples', 5, 100), "n_estimators": trial.suggest_int("n_estimators", 200, 5000), "learning_rate": trial.suggest_float("learning_rate", 0.01, 0.3), "max_depth": trial.suggest_int("max_depth", 3, 12), "min_data_in_leaf": trial.suggest_int("min_data_in_leaf", 5, 2000, step=5), "lambda_l1": trial.suggest_float("lambda_l1", 1e-8, 10.0, log=True), "lambda_l2": trial.suggest_float("lambda_l2", 1e-8, 10.0, log=True), "min_gain_to_split": trial.suggest_float("min_gain_to_split", 0, 10), "max_bin": trial.suggest_int("max_bin", 200, 300), } # 构建分层穿插验证 cv = StratifiedKFold(n_splits = 5, shuffle = True) # 5组得分 cv_scores = np.empty(5) # 切分为K个数据组，轮流作为训练集和验证集进行试验 for idx, (train_idx, test_idx) in enumerate(cv.split(X, y)): # 数据切分 X_train_cv, X_test_cv = X.iloc[train_idx], X.iloc[test_idx] y_train_cv, y_test_cv = y[train_idx], y[test_idx] # 转为lightgbm的Dataset格局 train_data = lgb.Dataset(X_train_cv, label = y_train_cv, categorical_feature="auto") val_data = lgb.Dataset(X_test_cv, label = y_test_cv, categorical_feature="auto", reference = train_data) # 回调函数 callbacks = [ LightGBMPruningCallback(trial, metric = "f1_score"), # 间歇输入信息 lgb.log_evaluation(period = 100), # 早进行，避免过拟合 lgb.early_stopping(50)] # 训练模型 model = lgb.train(params = param, train_set = train_data, valid_sets = val_data, callbacks = callbacks, feval = lgb_f1_score # 自定义评估准则 ) # 预估 preds = np.argmax(model.predict(X_test_cv), axis = 1) # 计算f1-score cv_scores[idx] = f1_score(y_test_cv, preds, average = "macro") return np.mean(cv_scores)超参数优化
咱们在下面定义完了指标函数，当初能够应用 Optuna 来调优模型的超参数了。
# 超参数优化import optuna# 定义Optuna的试验次数n_trials = 200# 构建Optuna study去进行超参数检索与调优study = optuna.create_study(direction = "maximize", # 最大化穿插验证的F1得分 study_name = "LGBM Classifier", pruner=optuna.pruners.HyperbandPruner())func = lambda trial: objective(trial, X_train, y_train)study.optimize(func, n_trials = n_trials)而后，咱们能够应用 Optuna 的可视化模块 对不同超参数组合的性能进行可视化查看。例如，咱们能够应用 plot_param_importances(study) 查看哪些超参数对模型性能/影响优化最重要。
plot_param_importances(study)咱们也能够应用 plot_parallel_coordinate(study)查看尝试了哪些超参数组合/范畴能够带来高评估后果值（好的成果性能）。
plot_parallel_coordinate(study)而后咱们能够应用 plot_optimization_history 查看历史状况。
plot_optimization_history(study)在Optuna实现调优之后：
- 最好的超参数存储在
study.best_params属性中。咱们把模型的最终参数params定义为params = {**fixed_params, **study.best_params}即可，如后续的代码所示。 - 当然，你也能够放大搜寻空间/超参数范畴，进一步做准确的超参数优化。
# 最佳模型试验cv = StratifiedKFold(n_splits = 5, shuffle = True)# 5组得分cv_scores = np.empty(5)# 切分为K个数据组，轮流作为训练集和验证集进行试验for idx, (train_idx, test_idx) in enumerate(cv.split(X, y)): # 数据切分 X_train_cv, X_test_cv = X.iloc[train_idx], X.iloc[test_idx] y_train_cv, y_test_cv = y[train_idx], y[test_idx] # 转为lightgbm的Dataset格局 train_data = lgb.Dataset(X_train_cv, label = y_train_cv, categorical_feature="auto") val_data = lgb.Dataset(X_test_cv, label = y_test_cv, categorical_feature="auto", reference = train_data) # 回调函数 callbacks = [ LightGBMPruningCallback(trial, metric = "f1_score"), # 间歇输入信息 lgb.log_evaluation(period = 100), # 早进行，避免过拟合 lgb.early_stopping(50)] # 训练模型 model = lgb.train(params = {**fixed_params, **study.best_params}, train_set = train_data, valid_sets = val_data, callbacks = callbacks, feval = lgb_f1_score # 自定义评估准则 ) # 预估 preds = np.argmax(model.predict(X_test_cv), axis = 1) # 计算f1-score cv_scores[idx] = f1_score(y_test_cv, preds, average = "macro")最终评估
通过上述过程咱们就取得了最终模型，让咱们来评估一下吧！
# 预估与评估训练集train_preds = model.predict(X_train)train_predictions = np.argmax(train_preds, axis = 1)train_error = f1_score(y_train, train_predictions, average = "macro")# 穿插验证后果cv_error = np.mean(cv_scores)# 评估测试集test_preds = model.predict(X_test)test_predictions = np.argmax(test_preds, axis = 1)test_error = f1_score(y_test, test_predictions, average = "macro")# 存储评估后果results = pd.DataFrame({"n_components": n_components, "reduction_method": reduction_method, "train_error": train_error, "cv_error": cv_error, "test_error": test_error, "n_trials": n_trials }, index = [0])咱们能够试验和比拟不同的降维办法、降维维度，再调参查看模型成果。如下图所示，在咱们以后的尝试中，PCA降维到 400 维产出最好的模型 ——macro f1-score 为66.48%。
总结
在本篇内容中， ShowMeAI 展现了基于歌曲信息与文本对其进行『流派』分类的过程，蕴含对文本数据的解决、特色工程、模型建模和超参数优化等。大家能够把整个pipeline作为一个模板来利用在其余工作当中。
参考资料
- 图解数据分析：从入门到精通系列教程：https://www.showmeai.tech/tutorials/3
- 数据迷信工具库速查表 | Pandas 速查表：https://www.showmeai.tech/article-detail/101
- 图解机器学习算法 | 降维算法详解：https://www.showmeai.tech/article-detail/198
- 图解机器学习算法 | LightGBM模型详解：https://www.showmeai.tech/article-detail/195
- 机器学习实战 | LightGBM建模利用详解：https://www.showmeai.tech/article-detail/205
- Optuna 的可视化模块
- Akiba,T., Sano, S., Yanase, T., Ohta, T., & Koyama, M. (2019, July). Optuna: A next-generation hyperparameter optimization framework. In Proceedings of the 25th ACM SIGKDD international conference on knowledge discovery & data mining (pp. 2623–2631).
- Autoencoder Feature Extractions
- Kaggler’s Guide to LightGBM Hyperparameter Tuning with Optuna in 2021
- You Are Missing Out on LightGBM. It Crushes XGBoost in Every Aspect