{"cells":[{"metadata":{"_uuid":"8f2839f25d086af736a60e9eeb907d3b93b6e0e5","_cell_guid":"b1076dfc-b9ad-4769-8c92-a6c4dae69d19","trusted":true},"cell_type":"code","source":"# This Python 3 environment comes with many helpful analytics libraries installed\n# It is defined by the kaggle/python docker image: https://github.com/kaggle/docker-python\n# For example, here's several helpful packages to load in \n\nimport numpy as np # linear algebra\nimport pandas as pd # data processing, CSV file I/O (e.g. pd.read_csv)\nfrom sklearn.metrics import confusion_matrix, f1_score\nimport requests\n\n# Input data files are available in the \"../input/\" directory.\n# For example, running this (by clicking run or pressing Shift+Enter) will list all files under the input directory\n\nimport os\nfor dirname, _, filenames in os.walk('/kaggle/input'):\n    for filename in filenames:\n        print(os.path.join(dirname, filename))\n\n# Any results you write to the current directory are saved as output.","execution_count":null,"outputs":[]},{"metadata":{},"cell_type":"markdown","source":"## 1) Aprendizagem supervisionada\n\nPara o modelo de aprendizagem supervisionada, tomaremos como exemplo o dataset de notícias do kernel \"Getting Started with NLP\". \n\nO objetivo do desafio é classificar notícias entre fake news e notícias reais. Temos os rótulos de nossas observações e os rótulos são binários: ou uma notícia é verdadeira, ou ela é falsa. Trata-se, pois, de um caso de aprendizagem supervisionada para classificação.\n\nEstão descartadas, de imediato, todas as métricas de regressão como \"Mean Squared Error\", \"Mean Absolute Error\" e \"Max Erro\". Trabalharemos aqui com:\n* Uma **matriz de confusão**, com os valores de verdadeiros positivos, verdadeiros negativos, falsos positivos e falsos negativos\n* Um **relatório de classificação** (classification_report) do scikit-learn, que já traz consigo as métricas típicas de problemas de classificação binária, a saber, **acurácia, precisão e recall** (além da métrica composta **f1_score**, que pondera precisão e recall)."},{"metadata":{"trusted":true},"cell_type":"code","source":"from sklearn.pipeline import Pipeline\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.ensemble import RandomForestClassifier\nfrom sklearn.feature_extraction.text import CountVectorizer\nfrom sklearn.model_selection import train_test_split\nimport nltk\nfrom unidecode import unidecode\nfrom nltk.stem import WordNetLemmatizer\nfrom nltk.corpus import stopwords\nfrom nltk.tokenize import word_tokenize\nfrom sklearn.metrics import classification_report, confusion_matrix","execution_count":null,"outputs":[]},{"metadata":{"_cell_guid":"","_uuid":"","trusted":true},"cell_type":"code","source":"# Carregar datasets\n\nsample_submission = pd.read_csv(\"../input/nlp-getting-started/sample_submission.csv\")\ntest = pd.read_csv(\"../input/nlp-getting-started/test.csv\", index_col='id')\ntrain = pd.read_csv(\"../input/nlp-getting-started/train.csv\", index_col='id')","execution_count":null,"outputs":[]},{"metadata":{"trusted":true},"cell_type":"code","source":"# Retirar pontuação\n\nfor col in train.columns:\n    if not train[col].dtype == 'int':\n        train[col] = train[col].str.lower().replace(r'[^\\w\\s]','',regex=True)\n\n# Retirar números\n\ntrain['keyword'] = train.keyword.str.replace(r'\\d','',regex=True)\ntrain['location'] = train.location.str.replace(r'\\d','',regex=True)\n\n# Remover acentos\ntrain['text'] = train.text.apply(unidecode)\n\n# Remover stopwords\n\ndef remover_stopwords(frase):\n    \n    stop_words = set(stopwords.words('english')) \n    tokens = word_tokenize(frase) \n    frase_filtrada = [p for p in tokens if not p in stop_words] \n    return ' '.join(frase_filtrada)\n\ntrain['text'] = train.text.apply(remover_stopwords)\n\nlemmatizer = WordNetLemmatizer()\n\ntrain = train.dropna(subset=['keyword'])\ntrain.keyword = train.keyword.apply(lemmatizer.lemmatize)\ntrain.location.fillna('unknown',inplace=True)","execution_count":null,"outputs":[]},{"metadata":{"trusted":true},"cell_type":"code","source":"X = train.drop(columns='target')\ny = train.target\n\nX_train, X_val, y_train, y_val = train_test_split(X, y, test_size=0.4)","execution_count":null,"outputs":[]},{"metadata":{"trusted":true},"cell_type":"code","source":"## Criamos uma pipeline para classificação\n\nvectorizer = CountVectorizer()\nclassifier = RandomForestClassifier()\n\npipe = Pipeline([('vectorizer',vectorizer),\n                ('clf',classifier)])\n\npipe.fit(X_train.text, y_train)","execution_count":null,"outputs":[]},{"metadata":{"trusted":true},"cell_type":"code","source":"## Invocamos a pipeline com as métricas escolhidas, classification report e matriz de confusão\n\ny_pred = pipe.predict(X_val.text)\n\nprint(classification_report(y_val, y_pred), confusion_matrix(y_val, y_pred))","execution_count":null,"outputs":[]},{"metadata":{},"cell_type":"markdown","source":"## 2) Aprendizagem não supervisionada\n\nDesta vez, utilizaremos o conjunto de dados \"New York City Airbnb Open Data\" disponibilizado pelo usuário Dgomonov.\n\nA ideia aqui é utilizar os dados sobre as acomodações - incluindo as descrições feitas pelos anfitriões - para agrupar em tipos mais detalhados de acomodação que podem corresponder a perfis diferentes de usuário. Parte-se da hipótese de que algumas pessoas procuram acomodações aconchegantes e tranquilas, ainda que distantes de pontos turísticos, enquanto outras se esbaldam em uma acomodação agitada e caótica. \n\nComo não conseguimos prever de antemão quais serão essas categorias, trata-se de um caso de **aprendizagem não supervisionada**.\n\n### Métricas\n\nAdjusted Rand Index, Mutual information based scores, Homogeneity, completness e V-measure não poderão ser utilizadas nesse caso, pois não temos uma \"verdade básica\" (um conjunto de rótulos reais) para utilizar como parâmetro de comparação.\n\nPor outro lado, temos à nossa disposição:\n* **Coeficiente de silhueta**: medida da qualidade da diferenciação dos clusters. Vai de -1 (agrupamento incorreto) a +1 (agrupamento denso). Scores em torno de 0 indicam sobreposição;\n* **Índice Clazinski-Harabasz**: mede a qualidade dos clusters em termos da dispersão intra versus inter cluster. Quanto maior a nota, melhores os grupos;\n* **Índice Davies-Bouldin**: similaridade, tida como uma relação entre a distância entre os clusters e o seu tamanho. Quanto menor o valor, mais nítida a separação entre clusters."},{"metadata":{"trusted":true},"cell_type":"code","source":"from sklearn.pipeline import Pipeline, FeatureUnion\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.cluster import KMeans, SpectralClustering, AgglomerativeClustering\nfrom sklearn.preprocessing import StandardScaler, FunctionTransformer\nfrom sklearn.feature_extraction.text import HashingVectorizer\nfrom sklearn.metrics import silhouette_score, calinski_harabasz_score, davies_bouldin_score","execution_count":null,"outputs":[]},{"metadata":{"_cell_guid":"","_uuid":"","trusted":true},"cell_type":"code","source":"# Carregar dataset\n\nairbnb = pd.read_csv(\"../input/new-york-city-airbnb-open-data/AB_NYC_2019.csv\", index_col='id')\n\nairbnb.head()","execution_count":null,"outputs":[]},{"metadata":{"trusted":true},"cell_type":"code","source":"## !Utilizar get dummies nos bairros e no tipo de quarto\n\n## Remover colunas de medidas que não são de nosso interesse, como o nome do anfitrião e os dados sobre críticas.\n\nto_drop = ['host_id','host_name','number_of_reviews','last_review','reviews_per_month','calculated_host_listings_count']\n\nairbnb = airbnb.drop(columns=to_drop)\n\n## Também adequamos o tipo de algumas variáveis\n\nairbnb[['neighbourhood_group','neighbourhood','room_type']] = airbnb[['neighbourhood_group','neighbourhood','room_type']].astype('category')\n\nairbnb.info()","execution_count":null,"outputs":[]},{"metadata":{"trusted":true},"cell_type":"code","source":"get_categorical = FunctionTransformer(lambda x: pd.get_dummies(x[['neighbourhood_group','neighbourhood','room_type']], drop_first=True))\n\nget_numerical = FunctionTransformer(lambda x:x[['latitude','longitude','price','minimum_nights','availability_365']])\n                                      \nscaler = StandardScaler()\n\nget_text = FunctionTransformer(lambda x: x['name'])\n                                      \nvectorizer = HashingVectorizer()\n\ntratar_e_combinar = FeatureUnion(transformer_list=\n                    [('categoricas',get_categorical),\n                    ('numericas',Pipeline([\n                        ('retirar',get_numerical),\n                        ('scaler',scaler)])),\n                     ('texto',Pipeline([\n                         ('retirar',get_text),\n                         ('vectorizer',vectorizer)\n                     ]))])\n\nkmeans = KMeans(n_clusters=5, random_state=2)\n\npipe = Pipeline([('tratamento',tratar_e_combinar),\n                 ('modelo',kmeans)])\n\nX_train, X_test = train_test_split(airbnb, test_size=0.8)","execution_count":null,"outputs":[]},{"metadata":{"trusted":true},"cell_type":"code","source":"### O algoritmo não funcionou :(. Acredito que a vetorização do texto tenha ficado pesada pela falta de tratamento.\n\nX = tratar_e_combinar.fit_transform(X_train)\nSpectralClustering().fit(X.toarray())\n\n## ","execution_count":null,"outputs":[]},{"metadata":{"trusted":true},"cell_type":"markdown","source":"## 3) Reinforcement Learning\n\nNo reinforcement learning não há métricas pré-definidas: a eficácia do nosso algoritmo deve ser medida pelo objetivo que determinados para um ator em um dado ambiente, conforme suas regras."},{"metadata":{"_cell_guid":"","_uuid":"","trusted":true},"cell_type":"code","source":"# Carregar dataset\n\nOptimalPolicy_angletol45 = pd.read_csv(\"../input/-reinforcement-learning-from-scratch-in-python/OptimalPolicy_angletol45.csv\")","execution_count":null,"outputs":[]},{"metadata":{"trusted":true,"scrolled":true},"cell_type":"code","source":"OptimalPolicy_angletol45.info()","execution_count":null,"outputs":[]},{"metadata":{"trusted":true},"cell_type":"code","source":"","execution_count":null,"outputs":[]}],"metadata":{"kernelspec":{"language":"python","display_name":"Python 3","name":"python3"},"language_info":{"pygments_lexer":"ipython3","nbconvert_exporter":"python","version":"3.6.4","file_extension":".py","codemirror_mode":{"name":"ipython","version":3},"name":"python","mimetype":"text/x-python"}},"nbformat":4,"nbformat_minor":1}