Lazy Predict в Python (Руководство)
Lazy Predict (Ленивый Прогноз) – это библиотека Python, предназначенная для сравнения производительности различных моделей машинного обучения в наборе данных. Если вы не знаете, как выбрать алгоритм при обучении модели машинного обучения, эта статья для вас. В этой статье я расскажу вам о библиотеке Lazy Predict в Python, которую можно использовать при сравнении производительности различных моделей машинного обучения в наборе данных.
Введение в Lazy Predict
При работе над задачей машинного обучения на основе регрессии или классификации, когда вы хотите сравнить, какая модель будет лучше всего работать с вашим набором данных, вы должны обучать и тестировать производительность различных моделей машинного обучения одну за другой в своем наборе данных. Именно здесь на помощь приходит библиотека Lazy Predict в Python. Она позволяет сравнивать производительность всех моделей классификации и регрессии в нескольких строках кода.
Таким образом, используя библиотеку Lazy Predict в Python, вы можете легко сравнить производительность всех моделей машинного обучения, чтобы выбрать самую эффективную модель для вашей задачи. Если вы никогда раньше не использовали эту библиотеку, вы можете легко установить ее в своей системе с помощью команды pip:
- pip install lazypredict
В следующем разделе я расскажу вам, как использовать библиотеку Lazy Predict в Python для сравнения производительности моделей машинного обучения.
Lazy Predict в Python (Руководство)
Давайте импортируем необходимые библиотеки Python и набор данных на основе задачи классификации и подготовим данные для соответствия модели машинного обучения:
from lazypredict.Supervised import LazyClassifier import numpy import pandas as pd data = pd.read_csv("https://biconsult.ru/img/datascience-ml-ai/social.csv") x = np.array(data[["Age", "EstimatedSalary"]]) y = np.array(data[["Purchased"]]) from sklearn.model_selection import train_test_split xtrain, xtest, ytrain, ytest = train_test_split(x, y, test_size=0.10, random_state=42)
Вот как вы можете использовать библиотеку Lazy Predict для проверки производительности всех моделей машинного обучения классификации:
clf = LazyClassifier(verbose=0, ignore_warnings=True, custom_metric=None) models, predictions = clf.fit(xtrain, xtest, ytrain, ytest) models
Эффективность всех классификационных моделей оценивается на основе показателей их работы
Теперь давайте снова импортируем необходимые библиотеки Python и набор данных на основе задачи регрессии и подготовим данные для соответствия модели машинного обучения:
from lazypredict.Supervised import LazyRegressor import numpy as np import pandas as pd data = pd.read_csv("https://biconsult.ru/img/datascience-ml-ai/Advertising.csv") x = np.array(data.drop(["Sales"], 1)) y = np.array(data["Sales"]) from sklearn.model_selection import train_test_split xtrain, xtest, ytrain, ytest = train_test_split(x, y, test_size=0.2, random_state=42)
Рассмотрим, как использовать библиотеку Lazy Predict для проверки производительности всех моделей регрессионного машинного обучения:
reg = LazyRegressor(verbose=0, ignore_warnings=False, custom_metric=None) models, predictions = reg.fit(xtrain, xtest, ytrain, ytest) models
Производительность всех регрессионных моделей оценивается на основе их производительности
Резюме
Вот как вы можете использовать библиотеку Lazy Predict в Python для сравнения производительности различных моделей машинного обучения на основе классификации и регрессии. Если вы не знаете, как выбрать алгоритм при обучении модели машинного обучения, вам следует использовать эту библиотеку Python. Надеюсь, вам понравилась эта статья по библиотеке Lazy Predit в Python.