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(xì)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?jǐn)?shù)據(jù)并將其擬合到模型中。最后，我們還將使用模型進(jìn)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。現(xiàn)在讓我們打印模型的最佳超參數(shù)和準(zhǔn)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_bostonautoml?=?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)。

往期精彩回顧適合初學(xué)者入門人工智能的路線及資料下載機器學(xué)習(xí)及深度學(xué)習(xí)筆記等資料打印機器學(xué)習(xí)在線手冊深度學(xué)習(xí)筆記專輯《統(tǒng)計學(xué)習(xí)方法》的代碼復(fù)現(xiàn)專輯 AI基礎(chǔ)下載機器學(xué)習(xí)的數(shù)學(xué)基礎(chǔ)專輯黃海廣老師《機器學(xué)習(xí)課程》視頻課

本站qq群851320808，加入微信群請掃碼：

總結(jié)

以上是生活随笔為你收集整理的【机器学习】微软出品！FLAML：一款可以自动化机器学习过程的神器！的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。