Mithilfe der Lazy Predict-Bibliothek können wir mühelos die leistungsstärksten Klassifizierungs- und Regressionsalgorithmen vergleichen. Diese Bibliothek wurde von „Shankar Rao Pandala“ verfasst und hier ist der Link zur Dokumentation.

Wir werden den Brustkrebs-Datensatz zum Vergleichen von Klassifizierungsalgorithmen und den Boston Housing-Datensatz zum Vergleichen der Regressionsalgorithmen mit nur wenigen Codezeilen für jede Aufgabe verwenden, die diese Bibliothek verwendet.

Klassifizierungsaufgabe:

Installieren der Bibliothek:

! pip install lazypredict

Verwenden Sie den obigen Befehl, um die Lazypredict-Bibliothek zu installieren

Importieren der erforderlichen Bibliotheken und Brustkrebsdaten:

# Importieren von Bibliotheken
Importieren von Lazypredict
aus Lazypredict. Überwachter Import von LazyClassifier
aus sklearn.datasets Importieren von load_breast_cancer
aus sklearn.model_selection Import von train_test_split

# Dataset
laden data = load_breast_cancer ()
X = data.data
y = data.target

Jetzt werden wir die Daten in ein Verhältnis von 80/20 aufteilen:

# Datenaufteilung
X_train, X_test, y_train, y_test = train_test_split (X, y, test_size = .2, random_state = 100)

Lazyclassifier zuweisen:

# Definiert und baut die lazyclassifier
CLF = LazyClassifier (verbose = 0, ignore_warnings = True, custom_metric = None)
models_train, predictions_train = clf.fit (X_train, X_train, y_train, y_train)
models_test, predictions_test = clf.fit (X_train, X_test, y_train, y_test)

Zugdatenleistung:

#
Druckt die Modellleistung auf dem Trainingssatz models_train

Testdatenleistung:

#
Druckt die Modellleistung im Testdatensatz models_test

Aus den obigen Bildern können wir verstehen, wie verschiedene Klassifikatoralgorithmen (ca. 28 Modelle) erstellt werden, und wir können ihre Genauigkeiten, ROC AUC- und F1-Werte sowie ihre Zeit für die Erstellung vergleichen.

Lassen Sie uns ein Balkendiagramm erstellen, um diese Modelle mithilfe von Seaborn- und Matplot-Bibliotheken zu vergleichen.

importiere matplotlib.pyplot als plt
importiere seaborn als sns

plt.figure (figsize = (5, 10))
sns.set_theme (style = ”whitegrid”)
ax = sns.barplot (y = models_train.index, x = ”Genauigkeit”, data = models_train)

Aus dem obigen Barplot können wir entscheiden, welcher Algorithmus besser zu unserer Problemstellung passt, und ihn für eine bessere Leistung weiter optimieren.

Regressionsaufgabe:

# Laden des Boston-Gehäusedatensatzes boston = datasets.load_boston
()
X, y = shuffle (boston.data, boston.target, random_state = 42)

Jetzt werden wir die Daten in ein Verhältnis von 80/20 aufteilen:

# Datenaufteilung
X_train, X_test, y_train, y_test = train_test_split (X, y, test_size = .2, random_state = 42)

Lazyregressor zuweisen:

# Definiert und baut die lazyclassifier
reg = LazyRegressor (verbose = 0, ignore_warnings = False, custom_metric = None)
models_train, predictions_train = reg.fit (X_train, X_train, y_train, y_train)
models_test, predictions_test = reg.fit (X_train, X_test, y_train, y_test)

Zugdatenleistung:

#
Druckt die Modellleistung im Trainingsdatensatz models_train

Testdatenleistung:

#
Druckt die Modellleistung im Testdatensatz models_test

Aus den obigen Bildern können wir verstehen, wie verschiedene Regressor-Algorithmen (ca. 36 Modelle) erstellt werden, und wir können ihre R-Quadrat-RMSE-Werte mit ihrer Zeit vergleichen, die für die Erstellung benötigt wird.

Lassen Sie uns ein Balkendiagramm erstellen, um diese Modelle mithilfe von Seaborn- und Matplot-Bibliotheken zu vergleichen.

importiere matplotlib.pyplot als plt
importiere seaborn als sns

models_train [“R-Squared”] = [0 wenn i <0 sonst i für i in models_train.iloc [:, 0]]

plt.figure (figsize = (5, 10))
sns.set_theme (style = ”whitegrid”)
ax = sns.barplot (y = models_train.index, x = ”R-Squared”, data = models_train)
ax.set ( xlim = (0, 1))

Dies ist eine einfache Möglichkeit, mehrere Modelle für maschinelles Lernen mit nur wenigen Codezeilen zu erstellen. Wenn wir versuchen, diese ML-Modelle manuell einzeln zu erstellen, würde es viel Zeit in Anspruch nehmen, die jeweiligen Bibliotheken zu importieren, einzeln zu erstellen und ihre Vorhersageergebnisse zu aggregieren. Aus dem obigen Barplot können wir eine Schlussfolgerung ziehen, welcher Algorithmus gut funktioniert, und uns entscheiden, ihn für eine bessere Leistung weiter zu optimieren.

Hinweis :

Mit der LazyPredict-Bibliothek können wir die Modelle mit ihren Standardparametern erstellen. Wir können die Parameter nicht optimieren, aber es werden diese Modelle mit ihren Standardparametern erstellt, was immer noch gut ist, da wir sie schnell erstellen konnten. Sobald wir herausgefunden haben, welches Modell das beste ist, können wir uns darauf konzentrieren, eine Hyperparameteroptimierung für diese ML durchzuführen Algorithmus.

Also, was denkt ihr? Ich werde interessiert sein, Ihre Gedanken darüber zu erfahren. Ich hoffe, ich habe Ihnen eine kurze Vorstellung davon gegeben, wie Sie mit nur wenigen Codezeilen schnell ML-Modelle erstellen können. Geben Sie ein 💚, wenn Sie diesen Beitrag für zusätzliche Motivation mögen. Ich bin immer offen für Ihre Vorschläge und Fragen.