Utilizzando la libreria Lazy Predict possiamo confrontare facilmente gli algoritmi di classificazione e regressione con le migliori prestazioni. Questa libreria è stata creata da "Shankar Rao Pandala" ed ecco il link alla documentazione.

Useremo il set di dati sul cancro al seno per confrontare gli algoritmi di classificazione e il set di dati sull'alloggiamento di Boston per confrontare gli algoritmi di regressione con poche righe di codice per ogni attività che utilizza questa libreria.

Attività di classificazione:

Installazione della libreria:

! pip installa lazypredict

Usa il comando precedente per installare la libreria lazypredict

Importazione delle librerie necessarie e dei dati sul cancro al seno:

# Importa librerie
importa lazypredict
da lazypredict. Importazione supervisionato LazyClassifier
da sklearn.datasets importa load_breast_cancer
da sklearn.model_selection import train_test_split

# Carica dataset
data = load_breast_cancer ()
X = data.data
y = data.target

Ora suddivideremo i dati in un rapporto 80/20:

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

Assegnazione di lazyclassifier:

# Definisce e
compila 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_test (X_test y_train, y_test)

Addestrare le prestazioni dei dati:

# Stampa le prestazioni del modello sul set di addestramento
models_train

Test delle prestazioni dei dati:

# Stampa le prestazioni del modello sul set di dati di test
models_test

Dalle immagini sopra possiamo capire come vengono costruiti i vari algoritmi di classificazione (circa 28 modelli) e possiamo confrontare le loro accuratezze, i punteggi ROC AUC e F1 insieme al tempo impiegato per costruire.

Creiamo un grafico a barre per confrontare questi modelli utilizzando le librerie seaborn e matplot.

importa matplotlib.pyplot come plt
importa seaborn come sns

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

Dal barplot sopra possiamo decidere quale algoritmo si adatta meglio alla nostra dichiarazione del problema e modificarlo ulteriormente per ottenere prestazioni migliori.

Attività di regressione:

# Caricamento del set di dati sull'alloggiamento di Boston
boston = datasets.load_boston ()
X, y = shuffle (boston.data, boston.target, random_state = 42)

Ora suddivideremo i dati in un rapporto 80/20:

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

Assegnazione di lazyregressor:

# Definisce e compila il 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_test y_train, y_test)

Addestrare le prestazioni dei dati:

# Stampa le prestazioni del modello sul set di dati di addestramento
models_train

Test delle prestazioni dei dati:

# Stampa le prestazioni del modello sul set di dati di test
models_test

Dalle immagini sopra possiamo capire come vengono costruiti i vari algoritmi di regressione (circa 36 modelli) e possiamo confrontare i loro valori R-quadrato, RMSE e il tempo impiegato per costruire.

Creiamo un grafico a barre per confrontare questi modelli utilizzando le librerie seaborn e matplot.

importa matplotlib.pyplot come plt
importa seaborn come sns

models_train ["R-Squared"] = [0 if i <0 else i for 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))

Questo è un modo semplice per creare diversi modelli di machine learning utilizzando solo poche righe di codice. Se proviamo a costruire manualmente questi modelli ML individualmente, ci vorrebbe molto tempo per importare le rispettive librerie, costruirle individualmente e aggregare i loro risultati di previsione. Dal barplot di cui sopra possiamo trarre una conclusione su quale algoritmo sta funzionando bene e decidere di modificarlo ulteriormente per prestazioni migliori.

Nota :

La libreria LazyPredict ci consente di costruire i modelli con i loro parametri predefiniti. Non possiamo ottimizzare i parametri ma costruirà questi modelli con i loro parametri predefiniti, il che è ancora buono poiché siamo stati in grado di costruirli rapidamente e una volta identificato quale modello è il migliore, possiamo concentrare i nostri sforzi sull'ottimizzazione degli iperparametri per quel ML algoritmo.

Allora, cosa ne pensate? Mi interesserà conoscere i tuoi pensieri al riguardo. Spero di averti dato una breve idea su come creare rapidamente modelli ML utilizzando solo poche righe di codice. Dagli un 💚, se ti piace questo post per una motivazione extra. Sono sempre aperto ai tuoi suggerimenti e domande.