摘要
本文讨论使用lazypredict来创建简单的ml模型。lazypredict创建机器学习模型的特点是不需要大量的代码，同时在不修改参数的情况下进行多模型拟合，从而在众多模型中选出性能最佳的一个。
本文包括的内容如下：
简介lazypredict模块的安装在分类模型中实施lazypredict在回归模型中实施总结简介lazypredict号称最先进的python软件包，它的诞生正在彻底改变机器学习模型的开发方式。通过使用lazypredict，可以快速创建各种基本模型，几乎不需要任何代码，从而腾出时间来选择最适合我们数据的模型。
lazypredict的主要优点是可以使模型选择更加容易，而不需要对模型进行大量的参数调整。lazypredict提供了一种快速有效的方法来寻找和适配数据的最佳模型。
接下来，让我们通过这篇文章探索和学习更多关于lazypredict的用法。
lazypredict模块的安装lazypredict库的安装是一项非常简单的任务。如同安装任何其他python库一样，只需一行代码轻松搞定。
!pip install lazypredict
在分类模型中实施lazypredict在这个例子中，我们将利用sklearn包中的乳腺癌数据集。
现在，让我们来加载数据。
from sklearn.datasets import load_breast_cancerfrom lazypredict.supervised import lazyclassifierdata = load_breast_cancer()x = data.datay= data.target
为了选择最佳分类器模型，现在让我们部署lazyclassifier 算法。这些特征和输入参数适用于该类。
lazyclassifier(verbose=0,ignore_warnings=true,custom_metric=none,predictions=false,random_state=42,classifiers='all',)
接着把该模型应用于加载好的数据并进行拟合。
from lazypredict.supervised import lazyclassifierfrom sklearn.model_selection import train_test_split# split the datax_train, x_test, y_train, y_test = train_test_split(x, y,test_size=0.3,random_state =0)# build the lazyclassifierclf = lazyclassifier(verbose=0,ignore_warnings=true, custom_metric=none)# fit itmodels, predictions = clf.fit(x_train, x_test, y_train, y_test)# print the best modelsprint(models)
执行上述代码之后，得到下面结果：
然后，我们可以进行以下工作，来看看模型的细节。
model_dictionary = clf.provide_models(x_train,x_test,y_train,y_test)
接下来，设置模型的名称来显示详细的步骤信息。
model_dictionary['lgbmclassifier']
在这里，我们可以看到simpleimputer被用于整个数据集，然后是standardscaler用于数字特征。在这个数据集中没有分类或序数特征，但如果有，就会分别使用onehotencoder和ordinalencoder。lgbmclassifier模型在转换和归类后接收数据。
lazyclassifier的内部机器学习模型使用sci-kit-learn工具箱进行评估和拟合。lazyclassifier函数在被调用时，会在我们的数据上自动建立和拟合各种模型，包括决策树、随机森林、支持向量机等。你提供的一组性能标准，如准确率、召回率或f1得分，被用来评估这些模型。训练集用于拟合，而测试集则用于评估。
在对模型进行评估和拟合后，lazyclassifier会提供一份评估结果总结（如上表），以及每个模型的顶级模型和性能指标列表。由于不需要手动调整或选择模型，你可以快速简单地评估许多模型的性能，并选择最适合数据的模型。
在回归模型中实施lazypredict使用lazyregressor 函数，可以再次为回归模型完成同样的工作。让我们导入一个适合回归任务的数据集（使用波士顿数据集）。
现在，让我们使用lazyregressor来拟合我们的数据。
from lazypredict.supervised import lazyregressorfrom sklearn import datasetsfrom sklearn.utils import shuffleimport numpy as np# load the databoston = datasets.load_boston()x, y = shuffle(boston.data, boston.target, random_state=0)x = x.astype(np.float32)# split the datax_train, x_test, y_train, y_test = train_test_split(x, y,test_size=0.3,random_state =0)# fit the lazy objectreg = lazyregressor(verbose=0, ignore_warnings=false, custom_metric=none)models, predictions = reg.fit(x_train, x_test, y_train, y_test)# print the results in a tableprint(models)
代码执行结果如下：
以下是对最佳回归模型的详细描述：
model_dictionary = reg.provide_models(x_train,x_test,y_train,y_test)model_dictionary['extratreesregressor']
这里可以看到simpleimputer被用于整个数据集，然后是standardscaler用于数字特征。这个数据集中没有分类或序数特征，但如果有的话，会分别使用onehotencoder和ordinalencoder。extratreesregressor模型接收了转换和归类后的数据。
结论lazypredict库对于任何从事机器学习行业的人来说都是一种有用的资源。lazypredict通过自动创建和评估模型的过程来节省选择模型的时间和精力，这大大提高了模型选择过程的有效性。lazypredict提供了一种快速而简单的方法来比较几个模型的有效性，并确定哪个模型系列最适合我们的数据和问题，因为它能够同时拟合和评估众多模型。
阅读本文之后希望你现在对lazypredict库有了直观的了解，这些概念将帮助你建立一些真正有价值的项目。
译者介绍崔皓，51cto社区编辑，资深架构师，拥有18年的软件开发和架构经验，10年分布式架构经验。
原文标题：lazypredict: a utilitarian python library to shortlist the best ml models for a given use case，作者：sanjay kumar
以上就是lazypredict：为你选择最佳ml模型！的详细内容。