Ejemplo virtualenv
`$ virtualenv -p python3 ./winepriceenv`
`$ source ./winepriceenv/bin/activate`
`$ pip install -r requirements.txt`
`$ python ./src/price_prediction.py`
El dataset utilizado, winemag-data_first150k.csv, tiene un registro de 150k vinos con las siguientes columnas:
- country (texto): País de origen del vino.
- description (texto): Descripción del vino.
- designation (texto): El viñedo dentro de la bodega del cúal proviene el vino.
- points (númerico): Un número en el rango [1,100] con una calificación realizada por expertos. Los vinos considerados tienen calificación > 80.
- price (númerico): Precio de una botella de vino en dolares.
- province (texto): Provincia de la cual proviene el vino.
- region_1 (texto): El área de producción de vino dentro de una provincia o estado (ejemplo Napa).
- region_2 (texto): Región más específica (este valor puede estar en blanco en algunos casos).
- variety (texto): El tipo de uva usado para hacer el vino (ejemplo malbec)
- winery (texto): La bodega que hizo el vino.
Como parte del código provisto en la actividad se remueven los duplicados y se separa el data set en 2 partes:
- Train dataset (60% sin duplicados): Utilizado para entrenar el modelo.
- Test dataset (40% sin duplicados): Utilizado para obtener las métricas sobre el modelo.
** Fuente Dataset Kaggle
A partir del dataset presentado anteriormente obtener el modelo que mejor ajuste la estimación del precio.
class WinePriceModel:
"""Esta clase define la interfaz que debe ser implementada por un modelo."""
def preprocess_dataset(self, dataset):
"""Recibe como parametro un dataset del tipo pandas.DataFrame
y lo procesa antes de ser utilizado."""
pass
def preprocess_x(self, dataset):
"""Recibe como parametro una set de entrada X del tipo pandas.DataFrame
y lo procesa antes de ser predecido"""
pass
def fit(self, x_df, y_df):
"""Entrena el modelo partiendo de dos pandas.DataFrame x_df e y_df."""
pass
def predict(self, x_df):
"""Retorna la predicción para las entradas en el pandas.DataFrame x_df."""
passLa siguiente clase permita manejar la codificación de columnas del tipo texto, por ejemplo si consideramos la columna "country" tal cual como está no puede ser ingresa a un modelo de regresión sino que previamente debe ser transformada en un valor númerico. El encoder utilizado por este clase le asigna un valor en el rango [0, N-1] a las N clases de una columna. Adicionales encoders puedes ser considerados y agregados por cada modelo.
class EncodedWinePriceModel(WinePriceModel):
"""Esta es una clase de modelo abstracta que agrega la capacidad de manejar
encoding por columnas. El encoder implementado es LabelEncoder el cual genera
a partir N diferentes clases de valores, sus correspondientes valores numericos
desde 0 a N-1."""
def __init__(self):
self.model = None
self.encoders = {}
def transform_label_column(self, column_name, dataset):
"""Aplica el enconder asociado a la columna column_name en el dataset."""
le = self.encoders[column_name]
dataset[column_name] = dataset[column_name].apply(str)
dataset[column_name] = le.transform(dataset[column_name].values)
return dataset
def fit_and_transform_label_column(self, column_name, dataset):
"""Procesa una columna del dataset utilizando un LabelEncoder."""
le = None
if column_name in self.encoders:
le = self.encoders[column_name]
else:
le = preprocessing.LabelEncoder()
self.encoders[column_name] = le
dataset[column_name] = dataset[column_name].apply(str)
vals = dataset[column_name].values
le.fit(vals)
return self.transform_label_column(column_name, dataset)Para invocar un modelo diferente al provisto, cambiar la clase con la implementación que corresponda en el siguiente código:
predictor = WinePricePredictor("./data/winemag-data_first150k.csv", KNeighborsMode())
metrics_dict = predictor.play()El método play() retorna un diccionario con 3 métricas utilizadas para medir el modelo: