LazyPredict: 最適な ML モデルを選択してください。

この記事では、LazyPredict を使用して単純な ML モデルを作成する方法について説明します。 LazyPredictによる機械学習モデルの作成の特徴は、大量のコードを必要とせず、パラメータを変更することなく複数モデルのフィッティングを実行し、多数のモデルの中から最もパフォーマンスの高いモデルを選択できることです。 ＃＃＃＃＃＃＃＃＃＃＃＃まとめ＃＃＃＃＃＃＃＃＃

この記事では、LazyPredict を使用して単純な ML モデルを作成する方法について説明します。 LazyPredictによる機械学習モデルの作成の特徴は、多くのコードを必要とせず、パラメータを変更することなく複数モデルのフィッティングを実行し、多数のモデルの中から最もパフォーマンスの高いモデルを選択できることです。

この記事には次の内容が含まれています。

• はじめに
• LazyPredict モジュールのインストール
• 分類モデル 回帰モデルへの LazyPredict の実装 機械学習モデルの開発方法に革命をもたらします。 LazyPredict を使用すると、コーディングをほとんど行わずにさまざまな基本モデルを迅速に作成できるため、データに最適なモデルを選択する時間が解放されます。
• LazyPredict の主な利点は、モデルの大規模なパラメーター調整を必要とせずに、モデルの選択を容易にできることです。 LazyPredict は、最適なモデルを見つけてデータに適合させるための高速かつ効率的な方法を提供します。
• 次に、この記事を通じて LazyPredict の使用法について詳しく見ていきましょう。

LazyPredict モジュールのインストール

LazyPredict ライブラリのインストールは非常に簡単な作業です。他の Python ライブラリのインストールと同じように、1 行のコードで簡単にインストールできます。

!pip install lazypredict

分類モデルでの LazyPredict の実装

この例では、Sklearn パッケージの乳がんデータセットを利用します。

それでは、データをロードしてみましょう。

from sklearn.datasets import load_breast_cancer
from lazypredict.Supervised import LazyClassifier

data = load_breast_cancer()
X = data.data
y= data.target

最適な分類子モデルを選択するために、「LazyClassifier」アルゴリズムをデプロイしましょう。これらの特性と入力パラメータはこのクラスに適しています。

LazyClassifier(
verbose=0,
ignore_warnings=True,
custom_metric=None,
predictions=False,
random_state=42,
classifiers='all',
)

次に、ロードされたデータにモデルを適用して適合させます。

from lazypredict.Supervised import LazyClassifier
from sklearn.model_selection import train_test_split

# split the data
X_train, X_test, y_train, y_test = train_test_split(X, y,test_size=0.3,random_state =0)

# build the lazyclassifier
clf = LazyClassifier(verbose=0,ignore_warnings=True, custom_metric=None)

# fit it
models, predictions = clf.fit(X_train, X_test, y_train, y_test)

# print the best models
print(models)

上記のコードを実行すると、次の結果が得られます:

#次に、モデルの詳細を確認するために次の作業を行うことができます。

model_dictionary = clf.provide_models(X_train,X_test,y_train,y_test)

次に、詳細なステップ情報を表示するモデルの名前を設定します。

model_dictionary['LGBMClassifier']

ここでは、SimpleImputer がデータセット全体に使用され、次に StandardScaler が数値特徴に使用されていることがわかります。このデータセットにはカテゴリ特徴や順序特徴はありませんが、存在する場合は、OneHotEncoder と OrdinalEncoder がそれぞれ使用されます。 LGBMClassifier モデルは、変換と分類後にデータを受け取ります。

LazyClassifier の内部機械学習モデルは、評価とフィッティングに sci-kit-learn ツールボックスを使用します。 LazyClassifier 関数が呼び出されると、デシジョン ツリー、ランダム フォレスト、サポート ベクター マシンなどを含むさまざまなモデルが自動的に構築され、データに適合します。精度、再現率、F1 スコアなど、指定した一連のパフォーマンス指標は、これらのモデルを評価するために使用されます。トレーニング セットはフィッティングに使用され、テスト セットは評価に使用されます。

モデルを評価してフィッティングした後、LazyClassifier は評価結果の概要 (上の表を参照) と、上位モデルのリストおよび各モデルのパフォーマンス指標を提供します。モデルを手動で調整したり選択したりする必要がないため、多くのモデルのパフォーマンスを迅速かつ簡単に評価し、データに最適なモデルを選択できます。

回帰モデルでの LazyPredict の実装

「LazyRegressor」関数を使用して、回帰モデルに対して同じ作業を再度実行できます。回帰タスクに適したデータセットをインポートしましょう (ボストン データセットを使用)。

ここで、LazyRegressor を使用してデータを当てはめてみましょう。

from lazypredict.Supervised import LazyRegressor
from sklearn import datasets
from sklearn.utils import shuffle
import numpy as np

# load the data
boston = datasets.load_boston()
X, y = shuffle(boston.data, boston.target, random_state=0)
X = X.astype(np.float32)

# split the data
X_train, X_test, y_train, y_test = train_test_split(X, y,test_size=0.3,random_state =0)

# fit the lazy object
reg = LazyRegressor(verbose=0, ignore_warnings=False, custom_metric=None)
models, predictions = reg.fit(X_train, X_test, y_train, y_test)

# print the results in a table
print(models)

コードの実行結果は次のとおりです:

以下是对最佳回归模型的详细描述：

model_dictionary = reg.provide_models(X_train,X_test,y_train,y_test)
model_dictionary['ExtraTreesRegressor']

这里可以看到SimpleImputer被用于整个数据集，然后是StandardScaler用于数字特征。这个数据集中没有分类或序数特征，但如果有的话，会分别使用OneHotEncoder和OrdinalEncoder。ExtraTreesRegressor模型接收了转换和归类后的数据。

结论

LazyPredict库对于任何从事机器学习行业的人来说都是一种有用的资源。LazyPredict通过自动创建和评估模型的过程来节省选择模型的时间和精力，这大大提高了模型选择过程的有效性。LazyPredict提供了一种快速而简单的方法来比较几个模型的有效性，并确定哪个模型系列最适合我们的数据和问题，因为它能够同时拟合和评估众多模型。

阅读本文之后希望你现在对LazyPredict库有了直观的了解，这些概念将帮助你建立一些真正有价值的项目。

译者介绍

崔皓，51CTO社区编辑，资深架构师，拥有18年的软件开发和架构经验，10年分布式架构经验。

原文标题：LazyPredict: A Utilitarian Python Library to Shortlist the Best ML Models for a Given Use Case，作者：Sanjay Kumar

以上がLazyPredict: 最適な ML モデルを選択してください。の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。