广告网站搭建,设计类专业就业前景怎么样,推广不收费的网站有哪些,爱站网长尾词挖掘工具在日常的Kaggle比赛和工作中#xff0c;经常会遇到AutoML工具。本文总结了常见的AutoML库#xff0c;可供大家选择。
LightAutoML
项目链接#xff1a;https://github.com/sberbank-ai-lab/LightAutoML
推荐指数#xff1a;⭐⭐⭐
LightAutoML是基于Python环境下的结构…在日常的Kaggle比赛和工作中经常会遇到AutoML工具。本文总结了常见的AutoML库可供大家选择。
LightAutoML
项目链接https://github.com/sberbank-ai-lab/LightAutoML
推荐指数⭐⭐⭐
LightAutoML是基于Python环境下的结构化自动机器学习库现在支持的任务有 二分类 多分类 回归任务
LightAutoML现在只支持单表单记录的形式即每一行由样本的特征和标签组成。
import pandas as pd
from sklearn.metrics import f1_score from lightautoml.automl.presets.tabular_presets import TabularAutoML
from lightautoml.tasks import Task df_train pd.read_csv(../input/titanic/train.csv)
df_test pd.read_csv(../input/titanic/test.csv) automl TabularAutoML( task Task( name binary, metric lambda y_true, y_pred: f1_score(y_true, (y_pred 0.5)*1))
)
oof_pred automl.fit_predict( df_train, roles {target: Survived, drop: [PassengerId]}
)
test_pred automl.predict(df_test) pd.DataFrame({ PassengerId:df_test.PassengerId, Survived: (test_pred.data[:, 0] 0.5)*1
}).to_csv(submit.csv, index False) 技术交流
技术要学会分享、交流不建议闭门造车。一个人走的很快、一堆人可以走的更远。
本文来自技术群粉丝分享整理资料资料、数据、技术交流均可加交流群获取群友已超过2000人添加时最好的备注方式为来源兴趣方向方便找到志同道合的朋友。 方式①、添加微信号pythoner666备注来自CSDN 备注来意 方式②、微信搜索公众号Python学习与数据挖掘后台回复加群 H2O AutoML
项目链接https://docs.h2o.ai/h2o/latest-stable/h2o-docs/automl.html
推荐指数⭐⭐⭐⭐
H2O AutoML是基于Python环境和R环境下的结构化自动机器学习库支持分布式部署对模型调参、模型选择和特征筛选支持比较完备但使用起来比较复杂。
import h2o
from h2o.automl import H2OAutoML h2o.init()
train_hf h2o.H2OFrame(train_df.copy())
test_hf h2o.H2OFrame(test_df.copy()) train_hf[target_column] train_hf[target_column].asfactor() aml H2OAutoML( seed2021, max_runtime_secs100, nfolds 3, exclude_algos [DeepLearning]
) aml.train( xlist(feature_columns), ytarget_column, training_frametrain_hf
) preds aml.predict(h2o.H2OFrame(test_df[feature_columns].copy()))
preds_df h2o.as_list(preds)
preds_df submission[[Class_1, Class_2, Class_3, Class_4]] preds_df[[Class_1, Class_2, Class_3, Class_4]]
submission.to_csv(h2o_automl_300s.csv, indexFalse)
submission.head() MLJAR AutoML
项目链接https://github.com/mljar/mljar-supervised
推荐指数⭐⭐⭐⭐
MLJAR AutoML是基于Python环境下的结构化自动机器学习库所支持的机器学习模型非常多且对模型可视化支持的非常好。
from supervised.automl import AutoML # mljar-supervised
automl AutoML( modeCompete, eval_metricf1, total_time_limit300, features_selectionFalse # switch off feature selection
)
automl.fit( train[feature_cols], train[target_column]
) preds automl.predict(test[feature_cols]) submission[Survived] preds
submission.to_csv(mljar_automl_300s_f1_metric.csv, indexFalse)
submission.head() PyCaret
项目链接https://pycaret.org/
推荐指数⭐⭐⭐⭐⭐
PyCaret是基于Python环境下的结构化自动机器学习库支持的任务包括 分类 回归 聚类 异常检测 NLP 关联规则
PyCaret支持的模型比较多项目也比较活跃但对模型的可视化做的不够。
from pycaret.classification import *
from category_encoders.cat_boost import CatBoostEncoder cat_train_df train_df.copy()
cat_test_df test_df.copy() ce CatBoostEncoder() cols_to_encode [name, sex, ticket, cabin, embarked]
cat_train_df[pure_cat_cols] ce.fit_transform(cat_train_df[pure_cat_cols], cat_train_df[target_column])
cat_test_df[pure_cat_cols] ce.transform(cat_test_df[pure_cat_cols]) setup( data cat_train_df[feature_cols.to_list() [target_column]], target target_column, fold 3, silent True,
) best_models compare_models( sortF1, n_select3, budget_time300,
) # we will use it later best automl(optimize F1) EvalML: AutoML
项目链接https://evalml.alteryx.com/en/latest/
推荐指数⭐⭐⭐
EvalML是一款比较模块比较完备的自动机器学习框架支持分类、回归和时间序列任务。但提出的时间稍晚所以使用的人很少。
from evalml.automl import AutoMLSearch
X train_df.drop(columns[target_column, passengerid])
y train_df[target_column] X_train,X_test,y_train,y_test train_test_split(X, y, test_size0.2)
automl AutoMLSearch( X_trainX_train, y_trainy_train, problem_typebinary, random_seed2021, max_time300,
) automl.search()
pipeline automl.best_pipeline
pipeline.fit(X, y)
TPOT: Genetic Approach
项目链接http://epistasislab.github.io/tpot/
推荐指数⭐⭐⭐
TPOT是一款非常轻量级的自动机器学习框架利用遗传算法可以快读完成特征的构造。但TPOT所支持的功能较少所以场景有限。
from tpot import TPOTClassifier
from sklearn.model_selection import train_test_split tpot TPOTClassifier(generations5, population_size50, verbosity2, random_state42)
tpot.fit(X_train, y_train)
print(tpot.score(X_test, y_test))
tpot.export(tpot_digits_pipeline.py) FLAML
项目链接https://github.com/microsoft/FLAML
推荐指数⭐⭐⭐⭐
FLAML是由微软提出的自动机器学习库支持分类和回归任务。FLAML对特征的构造和搜索支持的比较好非常轻量。
from flaml import AutoML
from sklearn.datasets import load_boston automl AutoML() # Specify automl goal and constraint
automl_settings { time_budget: 300, # in seconds metric: accuracy, task: classification,
}
automl.fit( X_traintrain_df[feature_cols], y_traintrain_df[target_column], **automl_settings
) print(automl.predict_proba(train_df[feature_cols]))
