Lazy Predict 라이브러리를 사용하면 가장 성능이 좋은 분류 및 회귀 알고리즘을 손쉽게 비교할 수 있습니다. 이 라이브러리는 "Shankar Rao Pandala"가 저작했으며 여기 에 문서 링크가 있습니다.

분류 알고리즘을 비교하기 위해 유방암 데이터 세트를 사용하고이 라이브러리를 사용하는 각 작업에 대해 단 몇 줄의 코드로 회귀 알고리즘을 비교하기 위해 보스턴 주택 데이터 세트를 사용할 것입니다.

분류 작업 :

라이브러리 설치 :

! pip install lazypredict

lazypredict 라이브러리를 설치하려면 위 명령을 사용하십시오.

필요한 라이브러리 및 유방암 데이터 가져 오기 :

# 라이브러리
가져 오기는 lazypredict
에서 lazypredict를 가져옵니다. 감독
된 import LazyClassifier from sklearn.datasets import load_breast_cancer
from sklearn.model_selection import train_test_split

# 데이터 세트
데이터 로드 = load_breast_cancer ()
X = data.data
y = data.target

이제 데이터를 80/20 비율로 분할합니다.

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

lazyclassifier 할당 :

# 정의하고는 lazyclassifier 빌드
CLF = LazyClassifier (세부 = 0 ignore_warnings = TRUE, custom_metric = 없음)
models_train, predictions_train = clf.fit (X_train, X_train, y_train, y_train)
, models_test, predictions_test = clf.fit (X_train, X_test을 y_train, y_test)

데이터 성능 훈련 :

# 훈련 세트
models_train 에 모델 성능을 인쇄합니다.

테스트 데이터 성능 :

# 테스트 데이터 셋
models_test 에 모델 성능을 출력합니다.

위의 이미지를 통해 다양한 분류기 알고리즘 (약 28 개 모델)이 어떻게 구축되는지 이해할 수 있으며 구축에 걸린 시간과 함께 정확도, ROC AUC 및 F1 점수를 비교할 수 있습니다.

seaborn 및 matplot 라이브러리를 사용하여 이러한 모델을 비교하는 막대 플롯을 만들어 보겠습니다.

import matplotlib.pyplot as plt
import seaborn as sns

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

위의 막대 그래프에서 문제 설명에 더 적합한 알고리즘을 결정하고 더 나은 성능을 위해 더 조정할 수 있습니다.

회귀 작업 :

# 보스턴 하우징 데이터 셋로드 boston = datasets.load_boston
()
X, y = shuffle (boston.data, boston.target, random_state = 42)

이제 데이터를 80/20 비율로 분할합니다.

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

lazyregressor 할당 :

# lazyclassifier를 정의하고 빌드합니다.
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)

데이터 성능 훈련 :

# 훈련 데이터 셋
models_train 에 모델 성능을 출력합니다.

테스트 데이터 성능 :

# 테스트 데이터 셋
models_test 에 모델 성능을 출력합니다.

위의 이미지에서 다양한 회귀 알고리즘 (약 36 개 모델)이 어떻게 빌드되는지 이해할 수 있으며 R- 제곱, RMSE 값을 빌드하는 데 걸린 시간과 비교할 수 있습니다.

seaborn 및 matplot 라이브러리를 사용하여 이러한 모델을 비교하는 막대 플롯을 만들어 보겠습니다.

import matplotlib.pyplot as plt
import seaborn as sns

models_train [ "R- 제곱"] = [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))

이것은 단 몇 줄의 코드로 여러 기계 학습 모델을 구축하는 쉬운 방법입니다. 이러한 ML 모델을 개별적으로 수동으로 빌드하려고하면 각 라이브러리를 가져 와서 개별적으로 빌드하고 예측 결과를 집계하는 데 많은 시간이 걸립니다. 위의 막대 그래프에서 우리는 어떤 알고리즘이 잘 수행되고 있는지에 대한 결론에 도달하고 더 나은 성능을 위해 더 조정하기로 결정할 수 있습니다.

노트 :

LazyPredict 라이브러리를 사용하면 기본 매개 변수로 모델을 빌드 할 수 있습니다. 매개 변수를 최적화 할 수는 없지만 기본 매개 변수를 사용하여 이러한 모델을 빌드합니다. 이는 신속하게 빌드 할 수 있었기 때문에 여전히 양호한 상태이며 어떤 모델이 가장 좋은지 파악하면 해당 ML에 대한 하이퍼 매개 변수 최적화를 수행하는 데 집중할 수 있습니다. 연산.

그래서 너희들은 어떻게 생각하니? 그것에 대한 당신의 생각을 알고 싶습니다. 몇 줄의 코드만으로 ML 모델을 빠르게 빌드하는 방법에 대한 간략한 아이디어를 제공했으면합니다. 추가 동기 부여를 위해이 게시물이 마음에 들면 💚를주세요. 나는 항상 당신의 제안과 질문에 열려 있습니다.