数据集的使用(数据集的使用正确的是）

约书亚阿拉贡在Unsplash上拍摄的照片

查看哪种模型最适合您的数据集的最简单方法！

当我们开始研究监督学习问题时，我们通常不确定哪些模型可以与现有数据集一起使用。一个可能的解决方案是从一个适用于许多数据集的模型开始(比如‘随机森林’)，然后迭代。这样，我们就可以建立一个改进的基准。

进步不是由早起的人取得的。它是由懒惰的人试图找到更简单的方法来完成的。罗伯特海因莱因

最有可能的是，在某个时间点，你也考虑过把数据集上的模型都扔了，然后看看会发生什么。然而，这并不是那么简单的编码(或者说，它是乏味的)，所以您可能已经放弃了这个想法，只是尝试了一些过去已经使用过的模型。然而现在，通过一个名为lazypredict的便捷库，您可以使用它来训练scikit-learn中的所有模型(以及更多模型，如XGBoost和LightGBM ),只需一行代码。听起来不错吧？让我们看看这在实践中是如何实现的！

实际例子

首先，您需要通过运行以下命令来安装库：

安装lazypredict

最有可能的是，您会遇到一些关于缺少库的错误，所以只需使用pip或conda单独安装它们。我将在后面提到这是一个可能的改进。然后，我们加载所需的库：

Lazypredict同时支持分类和回归问题，我就简单介绍一下。

分类任务

由于本文的想法是快速展示该库是如何工作的，所以我不使用任何特殊的数据集，而只使用scikit-learn中的样本数据集。对于分类任务，我使用乳腺癌数据集。我加载数据，并将其分为训练集和测试集。

对于任何熟悉scikit-learn的人来说，使用lazypredict非常容易和直观。在这种情况下，我们首先创建一个估计量LazyClassifier的实例，然后使用fit方法将其与数据进行拟合。通过在创建LazyClassifier的实例时指定predictions=True，我们还将接收每个观察的所有模型的预测。以防将来我们想把它们用于其他目的。此外，我们可以使用custom_metric参数来传递自定义指标，这些指标可用于评估模型的性能。

注意：通过查看代码，您可以在可用模型列表中查看排除的评估者。对于分类，我们收到了以下4个指标，并指出将模型拟合到我们的数据集所需的时间。

对于用户来说，另一个重要的隐患是库自动对数据集进行预处理。首先，它使用简单估算器来估计缺失值(数字要素的平均值和分类要素的恒定“缺失”值)。然后，它对数字函数使用StandardScaler，对分类函数使用OneHotEncoder或OrdinalEncoder(取决于基数唯一值的数量)。虽然这很方便，并且可以确保模型能够实际运行，但是一些用户可能更喜欢使用其他方法来预处理数据集。这就是为什么我认为这应该是图书馆的一个自愿的功能，而不是强制性的功能。

模型数据帧包含所有分类器的性能概要，而预测(此处未显示，因为数据帧很大)包含每个模型的所有预测。

返回任务

如前所述，回归任务与分类问题非常相似。我使用波士顿住房数据集并实例化另一个类-LazyRegressor。剩下的都是类比。

自然，包含模型性能的表对于回归任务有不同的指数，即R平方和RMSE。我们可以使用custom_metric参数来添加更多的内容(例如，MAPE)。为了使文章简洁，下表被截断了，但是可用回归的列表要长得多。

可能的改进

在简单使用了lazypredict库之后，我认为可以进行一些重大改进：

这非常简单，但是要确保库有正确的依赖列表，这样用户就不必根据收到的错误手动安装每个库，

允许访问最佳/所有训练模型，现在我们只能看到包含结果和预测的表格。

并行训练模型——对于小数据集不是问题，但是对于大数据集可以加速，

创建一个特殊的预测方法来获得预测，

将默认预处理设置为可选并明确记录，

允许一些超级参数调整。

结论

Lazypredict是一个方便的包装器库，使我们能够快速将所有模型放入数据集并比较它们的性能。通过这种方式，我们可以看到‘开箱即用’的效果很好。但是，这并不是模型训练和选择的灵丹妙药，因为只训练默认变量。众所周知，超级参数调整可以极大地改变性能。

您可以在我的GitHub上找到本文中使用的代码。一如既往，我们欢迎任何建设性的反馈。你可以在推特上或者评论里联系我。

参考

(本文翻译自Eryk Lewinson的文章《Lazy Predict: fit and evaluate all the models from scikit-learn with a single line of code》听数字跳舞。转载请注明出处。原文链接是：3359 towards data science . com/lazy-predict-fit-and-evaluate-all-the-models-from-sci kit-learn-with-a-。