Data preprocessing change (OHE + MinMax)
This commit is contained in:
parent
4cd5906fe3
commit
715a0efe64
@ -15,11 +15,16 @@ ARG KAGGLE_KEY
|
|||||||
|
|
||||||
# Copy scripts to the catalog
|
# Copy scripts to the catalog
|
||||||
COPY ./scripts/. /
|
COPY ./scripts/. /
|
||||||
# COPY ./kaggle.json /root/.kaggle/kaggle.json
|
# * For local (Jenkins) processing
|
||||||
|
# COPY ./kaggle.json /root/.kaggle/kaggle.json
|
||||||
|
|
||||||
# Run the copied script
|
# Run the copied script
|
||||||
RUN chmod +x /load_data.sh
|
RUN chmod +x /load_data.sh
|
||||||
RUN /load_data.sh
|
RUN /load_data.sh
|
||||||
|
|
||||||
RUN chmod +x /grab_avocado.py
|
RUN chmod +x /grab_avocado.py
|
||||||
RUN python3 /grab_avocado.py
|
RUN python3 /grab_avocado.py
|
||||||
|
|
||||||
|
# Run the model and train it
|
||||||
|
RUN chmod +x /model.py
|
||||||
|
RUN python3 /model.py
|
@ -1,3 +1,5 @@
|
|||||||
kaggle
|
kaggle
|
||||||
pandas
|
pandas
|
||||||
sklearn
|
numpy
|
||||||
|
sklearn
|
||||||
|
torch
|
@ -8,32 +8,50 @@ avocados = pd.read_csv(
|
|||||||
"data/avocado.csv").rename(columns={"Unnamed: 0": 'Week'})
|
"data/avocado.csv").rename(columns={"Unnamed: 0": 'Week'})
|
||||||
avocados.describe(include="all")
|
avocados.describe(include="all")
|
||||||
|
|
||||||
# * columns containing float values to
|
# * Retrieve the target column
|
||||||
float_cols = ['AveragePrice', 'Total Volume', '4046', '4225',
|
# y = avocados.AveragePrice
|
||||||
'4770', 'Total Bags', 'Small Bags', 'Large Bags', 'XLarge Bags']
|
# avocados.drop(['AveragePrice'], axis=1, inplace=True)
|
||||||
|
|
||||||
avocados.loc[:, float_cols] = StandardScaler(
|
# * columns containing numerical values for...
|
||||||
).fit_transform(avocados.loc[:, float_cols])
|
# ['Total Volume', '4046', '4225', '4770', 'Total Bags', 'Small Bags', 'Large Bags', 'XLarge Bags']
|
||||||
|
# fcols = (avocados.dtypes != 'object')
|
||||||
|
# float_cols = list(fcols[fcols].index)
|
||||||
|
# print("Numerical columns: ", float_cols)
|
||||||
|
# # * ...standarization
|
||||||
|
# avocados.loc[:, float_cols] = StandardScaler(
|
||||||
|
# ).fit_transform(avocados.loc[:, float_cols])
|
||||||
|
|
||||||
enc = OneHotEncoder(handle_unknown='ignore')
|
# * columns containing objects for...
|
||||||
encoded_region = enc.fit_transform(
|
obj_cols = (avocados.dtypes == 'object')
|
||||||
avocados['region'].to_numpy().reshape(-1, 1)).toarray()
|
object_cols = list(obj_cols[obj_cols].index)
|
||||||
encoded_region_frame = pd.DataFrame(
|
print("Object columns: ", object_cols)
|
||||||
encoded_region, columns=enc.get_feature_names_out())
|
# * ...OHE
|
||||||
encoded_types = enc.fit_transform(
|
enc = OneHotEncoder(handle_unknown='ignore', sparse=False)
|
||||||
avocados['type'].to_numpy().reshape(-1, 1)).toarray()
|
# encoded_region = enc.fit_transform(
|
||||||
encoded_types_frame = pd.DataFrame(
|
# avocados['region'].to_numpy().reshape(-1, 1)).toarray()
|
||||||
encoded_types, columns=enc.get_feature_names_out())
|
# encoded_region_frame = pd.DataFrame(
|
||||||
avocados = pd.concat([avocados, encoded_types_frame, encoded_region_frame], axis=1).drop(
|
# encoded_region, columns=enc.get_feature_names_out())
|
||||||
['type', 'region', 'Date'], axis=1)
|
# encoded_types = enc.fit_transform(
|
||||||
|
# avocados['type'].to_numpy().reshape(-1, 1)).toarray()
|
||||||
|
# encoded_types_frame = pd.DataFrame(
|
||||||
|
# encoded_types, columns=enc.get_feature_names_out())
|
||||||
|
ohe_df = pd.DataFrame(enc.fit_transform(avocados[object_cols]))
|
||||||
|
ohe_df.index = avocados.index
|
||||||
|
avocados = pd.concat([avocados.drop(object_cols, axis=1), ohe_df], axis=1)
|
||||||
|
all_cols = avocados.columns
|
||||||
|
print(all_cols)
|
||||||
|
# avocados = pd.concat([avocados, ohe_df], axis=1)
|
||||||
|
# * Time for normalization
|
||||||
|
mM = MinMaxScaler()
|
||||||
|
avocados_normed = pd.DataFrame(mM.fit_transform(avocados.values), columns=all_cols)
|
||||||
|
|
||||||
print(avocados.head())
|
print(avocados_normed.head())
|
||||||
|
|
||||||
# avocados.loc[:, float_cols] = MinMaxScaler().fit_transform(avocados.loc[:, float_cols])
|
# avocados.loc[:, float_cols] = MinMaxScaler().fit_transform(avocados.loc[:, float_cols])
|
||||||
# print(avocados.head())
|
# print(avocados.head())
|
||||||
|
|
||||||
avocado_train, avocado_test = train_test_split(
|
avocado_train, avocado_test = train_test_split(
|
||||||
avocados, test_size=2000, random_state=3337)
|
avocados_normed, test_size=2000, random_state=3337)
|
||||||
avocado_train, avocado_valid = train_test_split(
|
avocado_train, avocado_valid = train_test_split(
|
||||||
avocado_train, test_size=2249, random_state=3337)
|
avocado_train, test_size=2249, random_state=3337)
|
||||||
|
|
||||||
|
148
scripts/model.py
Normal file
148
scripts/model.py
Normal file
@ -0,0 +1,148 @@
|
|||||||
|
import pandas as pd
|
||||||
|
import numpy as np
|
||||||
|
from sklearn.metrics import mean_squared_error
|
||||||
|
|
||||||
|
import torch
|
||||||
|
from torch import nn
|
||||||
|
from torch.utils import data as t_u_data
|
||||||
|
|
||||||
|
print(
|
||||||
|
f"PyTorch working?\t →\t{torch.__version__}\nLooks like potatoe...but seems to be fine")
|
||||||
|
|
||||||
|
|
||||||
|
# * Customized Dataset class (base provided by PyTorch)
|
||||||
|
class AvocadoDataset(t_u_data.Dataset):
|
||||||
|
def __init__(self, path: str, target: str = 'AveragePrice'):
|
||||||
|
data = pd.read_csv(path)
|
||||||
|
self.y = data.values[:, 1].astype('float32')
|
||||||
|
self.y = self.y.reshape((len(self.y), 1))
|
||||||
|
self.x_shape = data.drop([target], axis=1).shape
|
||||||
|
self.x_data = data.drop(
|
||||||
|
[target], axis=1).values.astype('float32')
|
||||||
|
# print("Data shape is: ", self.x_data.shape)
|
||||||
|
|
||||||
|
def __len__(self):
|
||||||
|
return len(self.x_data)
|
||||||
|
|
||||||
|
def __getitem__(self, idx):
|
||||||
|
return [self.x_data[idx], self.y[idx]]
|
||||||
|
|
||||||
|
def get_shape(self):
|
||||||
|
return self.x_shape
|
||||||
|
|
||||||
|
def get_splits(self, n_test=0.33):
|
||||||
|
test_size = round(n_test * len(self.x_data))
|
||||||
|
train_size = len(self.x_data) - test_size
|
||||||
|
return t_u_data.random_split(self, [train_size, test_size])
|
||||||
|
|
||||||
|
|
||||||
|
class AvocadoRegressor(nn.Module):
|
||||||
|
def __init__(self, input_dim):
|
||||||
|
super(AvocadoRegressor, self).__init__()
|
||||||
|
self.hidden1 = nn.Linear(input_dim, 32)
|
||||||
|
nn.init.xavier_uniform_(self.hidden1.weight)
|
||||||
|
self.act1 = nn.ReLU()
|
||||||
|
self.hidden2 = nn.Linear(32, 8)
|
||||||
|
nn.init.xavier_uniform_(self.hidden2.weight)
|
||||||
|
self.act2 = nn.ReLU()
|
||||||
|
self.hidden3 = nn.Linear(8, 1)
|
||||||
|
nn.init.xavier_uniform_(self.hidden3.weight)
|
||||||
|
|
||||||
|
def forward(self, x):
|
||||||
|
x = self.hidden1(x)
|
||||||
|
x = self.act1(x)
|
||||||
|
x = self.hidden2(x)
|
||||||
|
x = self.act2(x)
|
||||||
|
x = self.hidden3(x)
|
||||||
|
return x
|
||||||
|
|
||||||
|
|
||||||
|
def prepare_data(path):
|
||||||
|
dataset = AvocadoDataset(path)
|
||||||
|
train, test = dataset.get_splits()
|
||||||
|
train_dl = t_u_data.DataLoader(train, batch_size=32, shuffle=True)
|
||||||
|
test_dl = t_u_data.DataLoader(test, batch_size=1024, shuffle=False)
|
||||||
|
return train_dl, test_dl
|
||||||
|
|
||||||
|
|
||||||
|
def train_model(train_dl, model, epochs=100):
|
||||||
|
criterion = nn.MSELoss()
|
||||||
|
optimizer = torch.optim.SGD(model.parameters(), lr=0.01, momentum=0.9)
|
||||||
|
to_compare = None
|
||||||
|
|
||||||
|
for epoch in range(epochs):
|
||||||
|
if epoch == 0:
|
||||||
|
print(f"Epoch: {epoch+1}")
|
||||||
|
if epoch > 0 and (epoch+1) % 10 == 0:
|
||||||
|
print(
|
||||||
|
f"Epoch: {epoch+1}\tloss\t→\t{mean_squared_error(to_compare[1].detach().numpy(), to_compare[0].detach().numpy())}")
|
||||||
|
for i, (inputs, targets) in enumerate(train_dl):
|
||||||
|
optimizer.zero_grad()
|
||||||
|
yhat = model(inputs)
|
||||||
|
# * For loss value inspection
|
||||||
|
to_compare = (yhat, targets)
|
||||||
|
loss = criterion(yhat, targets)
|
||||||
|
loss.backward()
|
||||||
|
optimizer.step()
|
||||||
|
|
||||||
|
|
||||||
|
def evaluate_model(test_dl, model):
|
||||||
|
predictions, actuals = list(), list()
|
||||||
|
for _, (inputs, targets) in enumerate(test_dl):
|
||||||
|
yhat = model(inputs)
|
||||||
|
# * retrieve numpy array
|
||||||
|
yhat = yhat.detach().numpy()
|
||||||
|
actual = targets.numpy()
|
||||||
|
actual = actual.reshape((len(actual), 1))
|
||||||
|
# * store predictions
|
||||||
|
predictions.append(yhat)
|
||||||
|
actuals.append(actual)
|
||||||
|
predictions, actuals = np.vstack(predictions), np.vstack(actuals)
|
||||||
|
# * return MSE value
|
||||||
|
return mean_squared_error(actuals, predictions)
|
||||||
|
|
||||||
|
|
||||||
|
def predict(row, model):
|
||||||
|
row = row[0].flatten()
|
||||||
|
yhat = model(row)
|
||||||
|
yhat = yhat.detach().numpy()
|
||||||
|
return yhat
|
||||||
|
|
||||||
|
|
||||||
|
if __name__ == '__main__':
|
||||||
|
|
||||||
|
# * Paths to data
|
||||||
|
avocado_train = './data/avocado.data.train'
|
||||||
|
avocado_valid = './data/avocado.data.valid'
|
||||||
|
avocado_test = './data/avocado.data.test'
|
||||||
|
|
||||||
|
# * Data preparation
|
||||||
|
train_dl = t_u_data.DataLoader(AvocadoDataset(
|
||||||
|
avocado_train), batch_size=32, shuffle=True)
|
||||||
|
validate_dl = t_u_data.DataLoader(AvocadoDataset(
|
||||||
|
avocado_valid), batch_size=128, shuffle=True)
|
||||||
|
test_dl = t_u_data.DataLoader(AvocadoDataset(
|
||||||
|
avocado_test), batch_size=1, shuffle=False)
|
||||||
|
print(f"""
|
||||||
|
Train set size: {len(train_dl.dataset)},
|
||||||
|
Validate set size: {len(validate_dl.dataset)}
|
||||||
|
Test set size: {len(test_dl.dataset)}
|
||||||
|
""")
|
||||||
|
|
||||||
|
# * Model definition
|
||||||
|
# ! 66 - in case only regions and type are used (among all the categorical vals)
|
||||||
|
model = AvocadoRegressor(235)
|
||||||
|
|
||||||
|
# * Train model
|
||||||
|
print("Let's start the training, mate!")
|
||||||
|
train_model(train_dl, model)
|
||||||
|
|
||||||
|
# * Evaluate model
|
||||||
|
mse = evaluate_model(validate_dl, model)
|
||||||
|
print(f"\nEvaluation\t→\tMSE: {mse}, RMSE: {np.sqrt(mse)}")
|
||||||
|
|
||||||
|
# * Prediction
|
||||||
|
predictions = [(predict(row, model)[0], row[1].item()) for row in test_dl]
|
||||||
|
preds_df = pd.DataFrame(predictions, columns=["Prediction", "Target"])
|
||||||
|
print("\nNow predictions - hey ho, let's go!\n", preds_df.head())
|
||||||
|
preds_df.to_csv("./data/predictions.csv", index=False)
|
Loading…
Reference in New Issue
Block a user