Press "Enter" to skip to content

微软出品!FLAML:一款可以自动化机器学习过程的神器!

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

机器学习是我们使用一组算法解决来解决生活中问题的过程。创建机器学习模型很容易,但选择在泛化和性能方面都最适合的模型是一项艰巨的任务。

 

有多种机器学习算法可用于回归和分类,可根据我们要解决的问题来选择,但选择合适的模型是一个需要高计算成本、时间和精力的过程。

 

为解决上述问题,今天我给大家分享一款非常棒的工具包:FLAML,它是一个由微软开源的轻量级 Python 库,有助于自动、高效地找出最佳机器学习模型,不仅速度快,节省时间,而且设计轻巧。

 

让我们详细的介绍一下它吧…

 

安装所需的库

 

我们将首先使用 pip 安装来安装 FLAML。下面给出的命令将使用 pip 安装。

 

pip install flaml

 

导入所需的库

 

在这一步中,我们将导入创建机器学习模型和下载数据集所需的所有库。

 

from flaml import AutoML

 

解决分类问题

 

现在我们将从解决分类问题开始。我们将在这里使用的数据是着名的 Iris 数据集,可以从 Seaborn 库轻松加载。让我们开始创建模型。

 

#Loading the Dataset
from sklearn.datasets import load_iris

 

为 Automl 创建实例很重要,同时也定义 Automl 设置,因此在这一步中,我们还将创建 Automl 实例并定义设置。

 

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

 

接下来,我们将拆分数据并将其拟合到模型中。最后,我们还将使用模型进行预测并找到最佳模型。

 

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)

 

在这里,我们可以清楚地看到 ExtraTreeEstimator 是此数据的最佳模型。现在让我们打印模型的最佳超参数和准确性。

 

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))

 

同样,对于回归问题,我们也将遵循相同的过程。

 

解决回归问题

 

现在将解决一个回归问题。我们将在这里使用的数据是着名的波士顿数据集,可以从 Seaborn 库轻松加载。我们可以遵循与分类问题完全相同的过程。

 

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))

 

在这里,我们也可以清楚地看到回归问题的最佳模型和超参数。同样,你可以对你关注的数据集执行此过程,并找到最佳模型和超参数。

 

Be First to Comment

发表评论

您的电子邮箱地址不会被公开。 必填项已用*标注