LazyPredict：為你選擇最佳ML模型！

本文討論使用LazyPredict來建立簡單的ML模型。 LazyPredict創建機器學習模型的特點是不需要大量的程式碼，同時在不修改參數的情況下進行多模型擬合，從而在眾多模型中選出性能最佳的一個。

摘要

#

本文討論使用LazyPredict來建立簡單的ML模型。 LazyPredict創建機器學習模型的特點是不需要大量的程式碼，同時在不修改參數的情況下進行多模型擬合，從而在眾多模型中選出性能最佳的一個。

本文包含的內容如下：

• 簡介
• LazyPredict模組的安裝
• 在分類模型中實作LazyPredict
• 在迴歸模型中實作
• 總結

簡介

LazyPredict號稱最先進的Python軟體包，它的誕生正在徹底改變機器學習模型的開發方式。透過使用LazyPredict，可以快速建立各種基本模型，幾乎不需要任何程式碼，從而騰出時間來選擇最適合我們資料的模型。

LazyPredict的主要優點是可以讓模型選擇更加容易，而不需要對模型進行大量的參數調整。 LazyPredict提供了一種快速有效的方法來尋找和適配資料的最佳模型。

接下來，讓我們透過這篇文章來探索和學習更多關於LazyPredict的用法。

LazyPredict模組的安裝

LazyPredict函式庫的安裝是一項非常簡單的任務。如同安裝任何其他Python庫一樣，只需一行程式碼輕鬆搞定。

!pip install lazypredict

在分類模型中實作LazyPredict

在這個例子中，我們將利用Sklearn套件中的乳癌資料集。

現在，讓我們來載入資料。

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

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

為了選擇最佳分類器模型，現在讓我們部署"LazyClassifier "演算法。這些特徵和輸入參數適用於此類別。

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

接著把該模型套用到載入好的資料並進行擬合。

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)

執行上述程式碼之後，得到下面結果：

然後，我們可以進行以下工作，來看看模型的細節。

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

接下來，設定模型的名稱來顯示詳細的步驟資訊。

model_dictionary['LGBMClassifier']

在這裡，我們可以看到SimpleImputer被用於整個資料集，然後是StandardScaler用於數字特徵。在這個資料集中沒有分類或序數特徵，但如果有，就會分別使用OneHotEncoder和OrdinalEncoder。 LGBMClassifier模型在轉換和歸類後接收資料。

LazyClassifier的內部機器學習模型使用sci-kit-learn工具箱進行評估和擬合。 LazyClassifier函數在被呼叫時，會在我們的資料上自動建立和擬合各種模型，包括決策樹、隨機森林、支援向量機等。你提供的一組性能標準，如準確率、回想率或F1得分，都用來評估這些模型。訓練集用於擬合，而測試集則用於評估。

在對模型進行評估和擬合後，LazyClassifier會提供一份評估結果總結（如上表），以及每個模型的頂級模型和效能指標清單。由於不需要手動調整或選擇模型，你可以快速簡單地評估許多模型的性能，並選擇最適合數據的模型。

在迴歸模型中實作LazyPredict

使用"LazyRegressor "函數，可以再次為迴歸模型完成相同的工作。讓我們匯入一個適合回歸任務的資料集（使用波士頓資料集）。

現在，讓我們使用LazyRegressor來擬合我們的資料。

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)

程式碼執行結果如下：

#

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

以上是LazyPredict：為你選擇最佳ML模型！的詳細內容。更多資訊請關注PHP中文網其他相關文章！