Python中LazyPredict庫(kù)的實(shí)施以及訓(xùn)練所有分類(lèi)或回歸模型，很多新手對(duì)此不是很清楚，為了幫助大家解決這個(gè)難題，下面小編將為大家詳細(xì)講解，有這方面需求的人可以來(lái)學(xué)習(xí)下，希望你能有所收獲。

武岡ssl適用于網(wǎng)站、小程序/APP、API接口等需要進(jìn)行數(shù)據(jù)傳輸應(yīng)用場(chǎng)景，ssl證書(shū)未來(lái)市場(chǎng)廣闊！成為創(chuàng)新互聯(lián)建站的ssl證書(shū)銷(xiāo)售渠道，可以享受市場(chǎng)價(jià)格4-6折優(yōu)惠！如果有意向歡迎電話聯(lián)系或者加微信：18980820575（備注：SSL證書(shū)合作）期待與您的合作！

自動(dòng)化機(jī)器學(xué)習(xí)(自動(dòng)ML)是指自動(dòng)化數(shù)據(jù)科學(xué)模型開(kāi)發(fā)管道的組件。Automl減少數(shù)據(jù)科學(xué)家的工作量并加快工作流程。Automl可用于自動(dòng)化各種流水線組件，包括數(shù)據(jù)理解，EDA，數(shù)據(jù)處理，模型訓(xùn)練，Quand參數(shù)調(diào)諧等。

對(duì)于端到端機(jī)器學(xué)習(xí)項(xiàng)目，每個(gè)管道組件的復(fù)雜性取決于項(xiàng)目。有各種自動(dòng)啟用源庫(kù)，可加快每個(gè)管道組件。閱讀本文知道8個(gè)自動(dòng)列表庫(kù)以自動(dòng)化機(jī)器學(xué)習(xí)管道。

在本文中，我們將討論如何使用開(kāi)源Python庫(kù)LazyPredict自動(dòng)化模型訓(xùn)練過(guò)程。

什么是lazypredict?

LazyPredict是一個(gè)開(kāi)源Python庫(kù)，可自動(dòng)化模型訓(xùn)練管道并加快工作流程。LazyPredict在分類(lèi)數(shù)據(jù)集中約為30個(gè)分類(lèi)模型，并列出了回歸數(shù)據(jù)集的40個(gè)回歸模型。

LazyPredict與訓(xùn)練有素的型號(hào)一起回到其性能指標(biāo)，而無(wú)需編寫(xiě)太多代碼。人們可以比較每個(gè)模型的性能指標(biāo)并調(diào)整最佳模型，以進(jìn)一步提高性能。

安裝：

leazepredict可以使用pypl庫(kù)安裝：

pip install lazypredict

安裝后，可以導(dǎo)入庫(kù)進(jìn)行分類(lèi)和回歸模型的自動(dòng)訓(xùn)練。

from lazypredict.Supervised import LazyRegressor, LazyClassifier

用法：

LazyPredict支持分類(lèi)和回歸問(wèn)題，所以我會(huì)討論兩個(gè)任務(wù)的演示

波士頓住房(回歸)和泰坦尼克號(hào)(分類(lèi))DataSet用于演示LazyPredict庫(kù)。

分類(lèi)任務(wù)：

LazyPredict的用法非常直觀，類(lèi)似于Scikit-learn。首先，為分類(lèi)任務(wù)創(chuàng)建估計(jì)器LazyClassifier的實(shí)例。一個(gè)可以通過(guò)定制度量標(biāo)準(zhǔn)進(jìn)行評(píng)估，默認(rèn)情況下，每種型號(hào)將在準(zhǔn)確性，ROC  AUC分?jǐn)?shù)，F(xiàn)1分?jǐn)?shù)進(jìn)行評(píng)估。

在繼續(xù)進(jìn)行LazyPredict模型訓(xùn)練之前，必須閱讀數(shù)據(jù)集并處理它以使其適合訓(xùn)練。

import pandas as pd from sklearn.model_selection import train_test_split  # Read the titanic dataset df_cls = pd.read_csv("titanic.csv") df_clsdf_cls = df_cls.drop(['PassengerId','Name','Ticket', 'Cabin'], axis=1)  # Drop instances with null records df_clsdf_cls = df_cls.dropna()  # feature processing df_cls['Sex'] = df_cls['Sex'].replace({'male':1, 'female':0}) df_cls['Embarked'] = df_cls['Embarked'].replace({'S':0, 'C':1, 'Q':2})  # Creating train test split y = df_cls['Survived'] X = df_cls.drop(columns=['Survived'], axis=1)  # Call train test split on the data and capture the results X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=42, test_size=0.2)

在特征工程和將數(shù)據(jù)分成訓(xùn)練測(cè)試數(shù)據(jù)之后，我們可以使用LazyPredict進(jìn)行模型訓(xùn)練。

# LazyClassifier Instance and fiting data cls= LazyClassifier(ignore_warnings=False, custom_metric=None) models, predictions = cls.fit(X_train, X_test, y_train, y_test)

回歸任務(wù)：

類(lèi)似于分類(lèi)模型訓(xùn)練，LazyPredict附帶了回歸數(shù)據(jù)集的自動(dòng)模型訓(xùn)練。實(shí)現(xiàn)類(lèi)似于分類(lèi)任務(wù)，在實(shí)例LazyRegressor中的更改。

import pandas as pd from sklearn.model_selection import train_test_split  # read the data column_names = ['CRIM', 'ZN', 'INDUS', 'CHAS', 'NOX', 'RM', 'AGE', 'DIS', 'RAD', 'TAX', 'PTRATIO', 'B', 'LSTAT', 'MEDV'] df_reg = pd.read_csv("housing.csv", header=None, delimiter=r"\s+", names=column_names)  # Creating train test split y = df_reg['MEDV'] X = df_reg.drop(columns=['MEDV'], axis=1)  # Call train_test_split on the data and capture the results X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=42, test_size=0.2)

reg = LazyRegressor(ignore_warnings=False, custom_metric=None) models, predictions = reg.fit(X_train, X_test, y_train, y_test)

> (Image by Author), Performance metrics of 42 regression models for the  Boston Housing dataset

觀察上述性能指標(biāo)，Adaboost分類(lèi)器是分類(lèi)任務(wù)的最佳性能模型，漸變?cè)鰪?qiáng)的替換機(jī)策略模型是回歸任務(wù)的最佳表現(xiàn)模型。

在本文中，我們已經(jīng)討論了LazyPredict庫(kù)的實(shí)施，這些庫(kù)可以在幾行Python代碼中訓(xùn)練大約70個(gè)分類(lèi)和回歸模型。它是一個(gè)非常方便的工具，因?yàn)樗o出了模型執(zhí)行的整體情況，并且可以比較每個(gè)模型的性能。

每個(gè)模型都訓(xùn)練，默認(rèn)參數(shù)，因?yàn)樗粓?zhí)行HyperParameter調(diào)整。選擇最佳執(zhí)行模型后，開(kāi)發(fā)人員可以調(diào)整模型以進(jìn)一步提高性能。

看完上述內(nèi)容是否對(duì)您有幫助呢？如果還想對(duì)相關(guān)知識(shí)有進(jìn)一步的了解或閱讀更多相關(guān)文章，請(qǐng)關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊頻道，感謝您對(duì)創(chuàng)新互聯(lián)的支持。

網(wǎng)頁(yè)題目：Python中LazyPredict庫(kù)的實(shí)施以及訓(xùn)練所有分類(lèi)或回歸模型
鏈接分享：http://chinadenli.net/article4/geoiie.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供用戶體驗(yàn)、電子商務(wù)、網(wǎng)站排名、虛擬主機(jī)、網(wǎng)站建設(shè)、關(guān)鍵詞優(yōu)化

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請(qǐng)盡快告知，我們將會(huì)在第一時(shí)間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng)，如需處理請(qǐng)聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時(shí)需注明來(lái)源： 創(chuàng)新互聯(lián)