【機器學習】兩行代碼即可應用 40 個機器學習模型

步驟1

使用以下方法安裝 lazypredict 庫：

pip install lazypredict

第2步

導入 pandas 來加載我們的數(shù)據集。

import pandas as pd

第3步

加載數(shù)據集。

df = pd.read_csv('Mal_Customers.csv')

第4步

打印數(shù)據集的前幾行

這里 Y 變量是支出分數(shù)列，而其余列是 X 變量。

現(xiàn)在，在確定了 X 和 Y 變量之后，我們將它們分成訓練和測試數(shù)據集。

# 導入 train_test_split，用于分割數(shù)據集
from sklearn.model_selection import train_test_split
# 定義 X 和 y 變量
X = df.loc[:, df.columns != 'Spending Score (1-100)']
y = df['Spending Score (1-100)'] # 對數(shù)據進行分區(qū)。
# 分割數(shù)據
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3)

第5步

我們導入之前安裝的lazypredict庫，lazypredict里面有兩個類，一個用于分類，一個用于回歸。

# 導入 lazypredict
導入 lazypredict
# 從 lazypredict 導入回歸類
from lazypredict.Supervised import LazyRegressor
# 從 lazypredict.Supervised 中導入分類類
from lazypredict.Supervised import LazyClassifier

導入后，我們將使用 LazyRegressor，因為我們正在處理回歸問題，如果你正在處理分類問題，則這兩種類型的問題都需要相同的步驟。

# 使用 LazyRegressor 定義模型
multiple_ML_model = lazyRegressor(verbose=0, ignore_warnings=True, predictions=True)
# 對模型進行擬合，同時預測每個模型的輸出結果
models, predictions = multiple_ML_model.fit(X_train, X_test, y_train, y_test)

這里，prediction = True 表示你想要獲得每個模型的準確性并想要每個模型的預測值。

模型的變量包含每個模型精度以及一些其他重要信息。

它在我的回歸問題上實現(xiàn)了42 個 ML 模型，因為本指南更側重于如何測試許多模型，而不是提高其準確性。所以我對每個模型的準確性不感興趣。

查看每個模型的預測。

你可以利用這些預測來創(chuàng)建一個混淆矩陣。

如果正在處理分類問題，這就是使用 lazypredict 庫的方法。

# 使用 LazyRegressor 定義模型
multiple_ML_model = lazyClassifier(verbose=0,
          ignore_warnings=True,
          predictions=True)
# 對模型進行擬合，并預測每個模型的輸出結果
models, predictions = multiple_ML_model.fit(
          X_train, X_test, y_train, y_test)

要記住的要點：

1. 這個庫僅用于測試目的，為提供有關哪種模型在您的數(shù)據集上表現(xiàn)良好的信息。
2. 建議使用conda單獨建立一個虛擬環(huán)境，因為它提供了一個單獨的環(huán)境，避免與其他環(huán)境有版本沖突。