這篇文章教你如何使用 Lazy Predict 運(yùn)行超過 40 個機(jī)器學(xué)習(xí)模型進(jìn)行回歸項(xiàng)目。

假設(shè)你需要執(zhí)行一項(xiàng)回歸機(jī)器學(xué)習(xí)項(xiàng)目。你已經(jīng)分析了你的數(shù)據(jù)，進(jìn)行了一些數(shù)據(jù)清洗，創(chuàng)建了一些虛擬變量，現(xiàn)在，是時候運(yùn)行機(jī)器學(xué)習(xí)回歸模型了。你想到的十大模型有哪些？大多數(shù)人可能都不知道有“十大回歸模型”。如果你不知道，也不必?fù)?dān)心，因?yàn)樵诒疚牡淖詈?，你不僅可以運(yùn)行 10 個機(jī)器學(xué)習(xí)回歸模型，而且能運(yùn)行 40 多個機(jī)器學(xué)習(xí)回歸模型。

幾周前，我在博客上發(fā)表了一篇名為《如何用幾行代碼運(yùn)行 30 個機(jī)器學(xué)習(xí)模型》（How to Run 30 Machine Learning Models with a Few Lines of Code）的文章，反響非常好。實(shí)際上，這是我到目前為止最受歡迎的博文。在那篇博文中，我創(chuàng)建了一個分類項(xiàng)目來嘗試 Lazy Predict。現(xiàn)在，我要在一個回歸項(xiàng)目測試 Lazy Predict。因此，我將使用典型的西雅圖房價數(shù)據(jù)集，在 Kaggle 上就能找到。

不需要很多代碼，Lazy Predict 就能幫助構(gòu)建幾十個模型，并幫助了解哪些模型在不經(jīng)過任何參數(shù)調(diào)整的情況下工作得更好。說明其工作原理的最好方法就是使用一個小項(xiàng)目，現(xiàn)在就開始吧。

首先，要安裝 Lazy Predict，你可以pip install lazypredict回歸項(xiàng)目到你的終端。簡單得很。接下來，讓我們導(dǎo)入一些用于本項(xiàng)目的庫。你可以在這里找到完整的 Notebook。

你可以看到我導(dǎo)入了pyforest而非 Pandas 和 Numpy。在 Notebook 中，PyForest 可以非?？焖俚貙?dǎo)入所有重要的庫。我寫了一篇關(guān)于它的博文，你可以在 這里 找到。接下來，讓我們來導(dǎo)入數(shù)據(jù)集。

# Import dataset
df = pd.read_csv('../data/kc_house_data_train.csv', index_col=0)

看看這個數(shù)據(jù)集是什么樣子。 

下面我們來檢查一下數(shù)據(jù)類型。

下面是吸引我注意力的幾件事情。第一件是id列與這個小項(xiàng)目沒有任何關(guān)聯(lián)。但是，如果你想更深入地研究這個項(xiàng)目，你應(yīng)該檢查是否存在重復(fù)項(xiàng)。另外，date列是一個對象類型。應(yīng)將其改為 DateTime 類型。這些列中的zipcode，lat和long可能與價格幾乎或者根本沒有關(guān)聯(lián)。然而，因?yàn)楸卷?xiàng)目的目標(biāo)是演示lazy predict，所以我會保留它們。

接下來，在運(yùn)行第一個模型之前，讓我們檢查一些統(tǒng)計數(shù)據(jù)，以找出需要修改的地方。

是的，我看到了一些有趣的事情。首先，有一所房子有 33 間臥室，那不可能是真的。所以我在網(wǎng)上查了一下，結(jié)果發(fā)現(xiàn)我用它的id找到了這套房子，它實(shí)際上有 3 間臥室。你可以在 這里 找到這套房子。此外，有些房子看上去沒有衛(wèi)生間。我會包括至少 1 個衛(wèi)生間，這樣我們就可以完成數(shù)據(jù)清理了。

# Fixing house with 33 bedrooms
df[df['bedrooms'] == 33] = df[df['bedrooms'] == 3]
# This will add 1 bathroom to houses without any bathroom
df['bathrooms'] = df.bedrooms.apply(lambda x: 1 if x < 1 else x)

我們現(xiàn)在可以拆分訓(xùn)練集和測試集了。但是在此之前，讓我們確保代碼不會出現(xiàn)nan或infinite的值。

現(xiàn)在將數(shù)據(jù)集分為 X 和 Y 兩個變量。我會給訓(xùn)練集分配 75% 的數(shù)據(jù)集，給測試集 25%。

# Creating train test split
X = df.drop(columns=['price])
y = df.price
# Call train_test_split on the data and capture the results
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=3,test_size=0.25)

是時候找點(diǎn)樂子了！下面的代碼將運(yùn)行 40 多個模型，并顯示每個模型的 R-Squared 和 RMSE。做好準(zhǔn)備，開始！

哇！對于花費(fèi)在上面的工作來說，這些結(jié)果非常好。對普通模型而言，這些都是非常好的 R-Squared 和 RMSE。就像我們看到的，我們運(yùn)行了 41 個普通模型，并且得到了我們需要的指標(biāo)，你可以看到每個模型所花費(fèi)的時間。一點(diǎn)也不差。那么，你如何確定這些結(jié)果是否正確呢？通過運(yùn)行一個模型，我們可以查看結(jié)果，看它是否和我們得到的結(jié)果相近。我們要不要測試一下基于直方圖的梯度提升回歸樹？如果你從未聽說過這種算法，不要擔(dān)心，因?yàn)槲乙矎臎]聽說過它。你可以在 這里 找到一篇關(guān)于它的文章。

首先，讓我們用 scikit-learn 導(dǎo)入這個模型。

# Explicitly require this experimental feature
from sklearn.experimental import enable_hist_gradient_boosting
# Now you can import normally from ensemble
from sklearn.ensemble import HistGradientBoostingRegressor

此外，我們還創(chuàng)建了一個函數(shù)來檢查模型的度量。

最后，我們來運(yùn)行這個模型并查看結(jié)果。

# Histogram-based Gradient Boosting Regression Tree
hist = HistGradientBoostingRegressor()
hist.fit(X_train, y_train)
y_pred = hist.predict(X_test)

瞧！我們用 Lazy Predict 得到的結(jié)果和這個結(jié)果非常接近。看來這確實(shí)很管用。

Lazy Predict 是一個神奇的庫，易于使用，并且非?？焖?，只需要很少的代碼就可以運(yùn)行普通模型。你可以使用 2 到 3 行的代碼來手動設(shè)置，而不需要手工設(shè)置多個普通模型。切記，不要把結(jié)果作為最終的模型，應(yīng)該始終對結(jié)果進(jìn)行復(fù)核，以確保庫工作正常。就像我在其他博文中提到的那樣，數(shù)據(jù)科學(xué)是一個復(fù)雜的領(lǐng)域，Lazy Predict 并不能取代那些優(yōu)化模型的專業(yè)人員的專業(yè)知識。請讓我知道它是如何為你工作的。

作者介紹：

Ismael Araujo，在紐約工作，數(shù)據(jù)科學(xué)家、機(jī)器學(xué)習(xí)工程師。

原文鏈接：

https:///how-to-run-40-regression-models-with-a-few-lines-of-code-5a24186de7d

你也「在看」嗎？??