Heim >Backend-Entwicklung >Python-Tutorial >Acht Python-Bibliotheken, die Ihre Data-Science-Produktivität steigern und wertvolle Zeit sparen können
Wenn Sie Data Science betreiben, können Sie viel Zeit damit verschwenden, zu programmieren und darauf zu warten, dass Ihr Computer etwas ausführt. Deshalb habe ich einige Python-Bibliotheken ausgewählt, die Ihnen helfen können, wertvolle Zeit zu sparen.
Optuna ist ein Open-Source-Framework zur Hyperparameteroptimierung, das automatisch die besten Hyperparameter für Modelle des maschinellen Lernens finden kann.
Die einfachste (und wahrscheinlich bekannteste) Alternative ist GridSearchCV von sklearn, das mehrere Hyperparameterkombinationen ausprobiert und anhand einer Kreuzvalidierung die beste auswählt.
GridSearchCV probiert Kombinationen innerhalb des zuvor definierten Bereichs aus. Beispielsweise möchten Sie für einen zufälligen Waldklassifikator möglicherweise die maximale Tiefe mehrerer verschiedener Bäume testen. GridSearchCV stellt alle möglichen Werte für jeden Hyperparameter bereit und betrachtet alle Kombinationen.
Optuna verwendet seinen eigenen Versuchsverlauf innerhalb eines definierten Suchraums, um zu bestimmen, welche Werte als nächstes ausprobiert werden sollen. Die verwendete Methode ist ein Bayes'scher Optimierungsalgorithmus namens „Tree-structured Parzen Estimator“.
Dieser andere Ansatz bedeutet, dass statt sinnlos jeden Wert auszuprobieren, vor dem Ausprobieren nach dem besten Kandidaten gesucht wird. Das spart Zeit, die andernfalls für das Ausprobieren wenig erfolgversprechender Alternativen aufgewendet werden müsste (und kann auch zu besseren Ergebnissen führen).
Schließlich ist es Framework-unabhängig, was bedeutet, dass Sie es mit TensorFlow, Keras, PyTorch oder jedem anderen ML-Framework verwenden können.
ITMO_FS ist eine Funktionsauswahlbibliothek, die eine Funktionsauswahl für ML-Modelle durchführen kann. Je weniger Beobachtungen Sie haben, desto vorsichtiger müssen Sie mit zu vielen Features umgehen, um eine Überanpassung zu vermeiden. Mit „vorsichtig“ meine ich, dass Sie Ihr Modell standardisieren sollten. Normalerweise ist ein einfacheres Modell (weniger Funktionen) leichter zu verstehen und zu interpretieren.
ITMO_FS-Algorithmen sind in 6 verschiedene Kategorien unterteilt: überwachte Filter, unüberwachte Filter, Wrapper, Hybride, eingebettet, Ensembles (obwohl sie sich hauptsächlich auf überwachte Filter konzentrieren).
Ein einfaches Beispiel für einen „überwachten Filter“-Algorithmus besteht darin, Merkmale basierend auf ihrer Korrelation mit einer Zielvariablen auszuwählen. Mit der „Rückwärtsauswahl“ können Sie versuchen, Features einzeln zu entfernen und zu überprüfen, wie sich diese Features auf die Vorhersagefähigkeit des Modells auswirken.
Hier ist ein triviales Beispiel für die Verwendung von ITMO_FS und seine Auswirkungen auf die Modellbewertungen:
>>> from sklearn.linear_model import SGDClassifier >>> from ITMO_FS.embedded import MOS >>> X, y = make_classification(n_samples=300, n_features=10, random_state=0, n_informative=2) >>> sel = MOS() >>> trX = sel.fit_transform(X, y, smote=False) >>> cl1 = SGDClassifier() >>> cl1.fit(X, y) >>> cl1.score(X, y) 0.9033333333333333 >>> cl2 = SGDClassifier() >>> cl2.fit(trX, y) >>> cl2.score(trX, y) 0.9433333333333334
ITMO_FS ist eine relativ neue Bibliothek, daher ist sie noch etwas instabil, aber ich empfehle trotzdem, es auszuprobieren.
Bisher haben wir Bibliotheken für die Funktionsauswahl und Hyperparameter-Optimierung gesehen, aber warum nicht beides gleichzeitig verwenden?
Beginnen wir damit, zu verstehen, was „SHAP“ ist:
„SHAP (SHapley Additive ExPlanations) ist eine spieltheoretische Methode zur Interpretation der Ausgabe jedes maschinellen Lernmodells.“
SHAP ist die am häufigsten verwendete Methode zur Interpretation von Modellen. Als eine der am häufigsten verwendeten Bibliotheken generiert sie die Bedeutung jedes Merkmals für die endgültige Vorhersage des Modells.
Andererseits profitiert Shap-Hypertune von diesem Ansatz, um die besten Features, aber auch die besten Hyperparameter auszuwählen. Warum möchten Sie sie miteinander kombinieren? Die unabhängige Auswahl von Funktionen und die Optimierung von Hyperparametern kann zu suboptimalen Entscheidungen führen, da die Wechselwirkungen zwischen ihnen nicht berücksichtigt werden. Wenn Sie beides gleichzeitig ausführen, wird dies nicht nur berücksichtigt, sondern es wird auch Programmierzeit gespart (obwohl sich die Laufzeit aufgrund des größeren Suchraums verlängern kann).
Die Suche kann auf drei Arten erfolgen: Rastersuche, Zufallssuche oder Bayes'sche Suche (außerdem kann sie parallelisiert werden).
Shap-hypertune funktioniert jedoch nur mit Gradienten-Boosting-Modellen
Schauen wir uns einige praktische Beispiele auf ihrer Website an, um zu sehen, wie es funktioniert:
# load dataset from pycaret.datasets import get_data diabetes = get_data('diabetes') # init setup from pycaret.classification import * clf1 = setup(data = diabetes, target = 'Class variable') # compare models best = compare_models()
Mit nur wenigen Codezeilen können Sie mehrere Modelle ausprobieren und sie anhand der wichtigsten Klassifizierungsmetriken vergleichen. Es wurde ein Vergleich durchgeführt .
Es ermöglicht auch die Erstellung einer Basisanwendung für die Interaktion mit dem Modell:
from pycaret.datasets import get_data juice = get_data('juice') from pycaret.classification import * exp_name = setup(data = juice, target = 'Purchase') lr = create_model('lr') create_app(lr)
Schließlich können API- und Docker-Dateien ganz einfach für das Modell erstellt werden:
from pycaret.datasets import get_data juice = get_data('juice') from pycaret.classification import * exp_name = setup(data = juice, target = 'Purchase') lr = create_model('lr') create_api(lr, 'lr_api') create_docker('lr_api')
Einfacher geht es nicht, oder?
PyCaret Es handelt sich um eine sehr vollständige Bibliothek und es ist schwierig, hier alles abzudecken. Ich empfehle Ihnen, sie jetzt herunterzuladen und damit zu beginnen, einige ihrer Funktionen in der Praxis zu verstehen.
5. floWeaver
Sie sind sehr nützlich, wenn Sie Daten für Conversion-Trichter, Marketingreisen oder Budgetzuweisungen anzeigen (Beispiel oben). Die Portaldaten sollten im folgenden Format vorliegen: „Quelle x Ziel x Wert“. Es ist nur eine Codezeile erforderlich, um einen solchen Plot zu erstellen (sehr spezifisch, aber auch sehr intuitiv).
如果你阅读过敏捷数据科学,就会知道拥有一个让最终用户从项目开始就与数据进行交互的前端界面是多么有帮助。一般情况下在Python中最常用是 Flask,但它对初学者不太友好,它需要多个文件和一些 html、css 等知识。
Gradio 允许您通过设置输入类型(文本、复选框等)、功能和输出来创建简单的界面。 尽管它似乎不如 Flask 可定制,但它更直观。
由于 Gradio 现在已经加入 Huggingface,可以在互联网上永久托管 Gradio 模型,而且是免费的!
理解 Terality 的最佳方式是将其视为“Pandas ,但速度更快”。这并不意味着完全替换 pandas 并且必须重新学习如何使用df:Terality 与 Pandas 具有完全相同的语法。实际上,他们甚至建议“import Terality as pd”,并继续按照以前的习惯的方式进行编码。
它快多少?他们的网站有时会说它快 30 倍,有时快 10 到 100 倍。
另一个重要是 Terality 允许并行化并且它不在本地运行,这意味着您的 8GB RAM 笔记本电脑将不会再出现 MemoryErrors!
但它在背后是如何运作的呢?理解 Terality 的一个很好的比喻是可以认为他们在本地使用的 Pandas 兼容的语法并编译成 Spark 的计算操作,使用Spark进行后端的计算。所以计算不是在本地运行,而是将计算任务提交到了他们的平台上。
那有什么问题呢?每月最多只能免费处理 1TB 的数据。如果需要更多则必须每月至少支付 49 美元。 1TB/月对于测试工具和个人项目可能绰绰有余,但如果你需要它来实际公司使用,肯定是要付费的。
如果你是Pytorch的使用者,可以试试这个库。
torchhandle是一个PyTorch的辅助框架。 它将PyTorch繁琐和重复的训练代码抽象出来,使得数据科学家们能够将精力放在数据处理、创建模型和参数优化,而不是编写重复的训练循环代码。 使用torchhandle,可以让你的代码更加简洁易读,让你的开发任务更加高效。
torchhandle将Pytorch的训练和推理过程进行了抽象整理和提取,只要使用几行代码就可以实现PyTorch的深度学习管道。并可以生成完整训练报告,还可以集成tensorboard进行可视化。
from collections import OrderedDict import torch from torchhandle.workflow import BaseContext class Net(torch.nn.Module): def __init__(self, ): super().__init__() self.layer = torch.nn.Sequential(OrderedDict([ ('l1', torch.nn.Linear(10, 20)), ('a1', torch.nn.ReLU()), ('l2', torch.nn.Linear(20, 10)), ('a2', torch.nn.ReLU()), ('l3', torch.nn.Linear(10, 1)) ])) def forward(self, x): x = self.layer(x) return x num_samples, num_features = int(1e4), int(1e1) X, Y = torch.rand(num_samples, num_features), torch.rand(num_samples) dataset = torch.utils.data.TensorDataset(X, Y) trn_loader = torch.utils.data.DataLoader(dataset, batch_size=64, num_workers=0, shuffle=True) loaders = {"train": trn_loader, "valid": trn_loader} device = 'cuda' if torch.cuda.is_available() else 'cpu' model = {"fn": Net} criterion = {"fn": torch.nn.MSELoss} optimizer = {"fn": torch.optim.Adam, "args": {"lr": 0.1}, "params": {"layer.l1.weight": {"lr": 0.01}, "layer.l1.bias": {"lr": 0.02}} } scheduler = {"fn": torch.optim.lr_scheduler.StepLR, "args": {"step_size": 2, "gamma": 0.9} } c = BaseContext(model=model, criterion=criterion, optimizer=optimizer, scheduler=scheduler, context_tag="ex01") train = c.make_train_session(device, dataloader=loaders) train.train(epochs=10)
定义一个模型,设置数据集,配置优化器、损失函数就可以自动训练了,是不是和TF差不多了。
Das obige ist der detaillierte Inhalt vonAcht Python-Bibliotheken, die Ihre Data-Science-Produktivität steigern und wertvolle Zeit sparen können. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!