機器學(xué)習(xí)是我們使用一組算法解決來解決生活中問題的過程。創(chuàng)建機器學(xué)習(xí)模型很容易，但選擇在泛化和性能方面都最適合的模型是一項艱巨的任務(wù)。

有多種機器學(xué)習(xí)算法可用于回歸和分類，可根據(jù)我們要解決的問題來選擇，但選擇合適的模型是一個需要高計算成本、時間和精力的過程。

為解決上述問題，今天我給大家分享一款非常棒的工具包：FLAML，它是一個由微軟開源的輕量級 Python 庫，有助于自動、高效地找出最佳機器學(xué)習(xí)模型，不僅速度快，節(jié)省時間，而且設(shè)計輕巧。

讓我們詳細的介紹一下它吧…

安裝所需的庫

我們將首先使用 pip 安裝來安裝 FLAML。下面給出的命令將使用 pip 安裝。

pip?install?flaml

導(dǎo)入所需的庫

在這一步中，我們將導(dǎo)入創(chuàng)建機器學(xué)習(xí)模型和下載數(shù)據(jù)集所需的所有庫。

from?flaml?import?AutoML

解決分類問題

現(xiàn)在我們將從解決分類問題開始。我們將在這里使用的數(shù)據(jù)是著名的 Iris 數(shù)據(jù)集，可以從 Seaborn 庫輕松加載。讓我們開始創(chuàng)建模型。

#Loading?the?Dataset
from?sklearn.datasets?import?load_iris

為 Automl 創(chuàng)建實例很重要，同時也定義 Automl 設(shè)置，因此在這一步中，我們還將創(chuàng)建 Automl 實例并定義設(shè)置。

automl?=?AutoML()
automl_settings?=?{
????"time_budget":?10,??#?in?seconds
????"metric":?'accuracy',
????"task":?'classification'
}

接下來，我們將拆分數(shù)據(jù)并將其擬合到模型中。最后，我們還將使用模型進行預(yù)測并找到最佳模型。

X_train,?y_train?=?load_iris(return_X_y=True)
#?Train?with?labeled?input?data
automl.fit(X_train=X_train,?y_train=y_train,
???????????**automl_settings)
print(automl.predict_proba(X_train).shape)
#?Export?the?best?model
print(automl.model)

在這里，我們可以清楚地看到 ExtraTreeEstimator 是此數(shù)據(jù)的最佳模型?，F(xiàn)在讓我們打印模型的最佳超參數(shù)和準確性。

print('Best?ML?leaner:',?automl.best_estimator)
print('Best?hyperparmeter?config:',?automl.best_config)
print('Best?accuracy?on?validation?data:?{0:.4g}'.format(1-automl.best_loss))
print('Training?duration?of?best?run:?{0:.4g}?s'.format(automl.best_config_train_time))

同樣，對于回歸問題，我們也將遵循相同的過程。

解決回歸問題

現(xiàn)在將解決一個回歸問題。我們將在這里使用的數(shù)據(jù)是著名的波士頓數(shù)據(jù)集，可以從 Seaborn 庫輕松加載。我們可以遵循與分類問題完全相同的過程。

from?sklearn.datasets?import?load_boston

automl?=?AutoML()

automl_settings?=?{
????"time_budget":?10,??#?in?seconds
????"metric":?'r2',
????"task":?'regression'
}
X_train,?y_train?=?load_boston(return_X_y=True)
#?Train?with?labeled?input?data
automl.fit(X_train=X_train,?y_train=y_train,
???????????**automl_settings)
#?Predict
print(automl.predict(X_train).shape)
#?Export?the?best?model
print(automl.model)

print('Best?ML?leaner:',?automl.best_estimator)
print('Best?hyperparmeter?config:',?automl.best_config)
print('Best?accuracy?on?validation?data:?{0:.4g}'.format(1-automl.best_loss))
print('Training?duration?of?best?run:?{0:.4g}?s'.format(automl.best_config_train_time))

在這里，我們也可以清楚地看到回歸問題的最佳模型和超參數(shù)。同樣，你可以對你關(guān)注的數(shù)據(jù)集執(zhí)行此過程，并找到最佳模型和超參數(shù)。

推薦閱讀:
入門:?最全的零基礎(chǔ)學(xué)Python的問題? |?零基礎(chǔ)學(xué)了8個月的Python??|?實戰(zhàn)項目?|學(xué)Python就是這條捷徑

量化:?定投基金到底能賺多少錢？? |?我用Python對去年800只基金的數(shù)據(jù)分析??

干貨:爬取豆瓣短評，電影《后來的我們》?|?38年NBA最佳球員分析?|? ?從萬眾期待到口碑撲街！唐探3令人失望? |?笑看新倚天屠龍記?|?燈謎答題王?｜用Python做個海量小姐姐素描圖?｜碟中諜這么火，我用機器學(xué)習(xí)做個迷你推薦系統(tǒng)電影

趣味:彈球游戲? |?九宮格? |?漂亮的花?|?兩百行Python《天天酷跑》游戲!

AI:?會做詩的機器人?|?給圖片上色?|?預(yù)測收入?|?碟中諜這么火，我用機器學(xué)習(xí)做個迷你推薦系統(tǒng)電影

小工具:?Pdf轉(zhuǎn)Word，輕松搞定表格和水?。?/a>?|?一鍵把html網(wǎng)頁保存為pdf！|??再見PDF提取收費！?|?用90行代碼打造最強PDF轉(zhuǎn)換器，word、PPT、excel、markdown、html一鍵轉(zhuǎn)換?|?制作一款釘釘?shù)蛢r機票提示器！?｜60行代碼做了一個語音壁紙切換器天天看小姐姐！｜

點閱讀原文,看Python全套！