全自动化机器学习建模！效果吊打初级炼丹师！|全自动化机器学习建模！效果吊打初级炼丹师！ ? 全自动化机器学习建模！效果

【全自动化机器学习建模！效果吊打初级炼丹师！|全自动化机器学习建模！效果吊打初级炼丹师！ ?】
文章图片

作者：韩信子@ShowMeAI
机器学习实战系列：https://www.showmeai.tech/tutorials/41
本文地址：https://www.showmeai.tech/article-detail/289
声明：版权所有，转载请联系平台与作者并注明出处
收藏ShowMeAI查看更多精彩内容

自动化机器学习，也称为自动化 ML 或 AutoML，是自动化完成开发耗时且需要反复迭代的机器学习建模过程。它让数据科学家、分析师和开发人员轻松构建具有高规模、高效率和生产力的机器学习模型，同时保持模型质量。
常规的机器学习模型开发应用，需要大量时间来构建和比较若干个不同模型。借助自动化机器学习，一些繁琐枯燥的迭代开发环境可以自动完成，提高了效率。

全自动化机器学习建模！效果吊打初级炼丹师！|全自动化机器学习建模！效果吊打初级炼丹师！ ?

文章图片

Python 拥有不断增长的开源 AutoML 库生态系统。ShowMeAI在本篇中梳理了截止2022年，最流行和实用的 AutoML 库，其中也有不少企业级应用工具。ShowMeAI本次介绍的AutoML工具库包括：

PyCaret
H2O AutoML
TPOT
Auto-sklearn
FLAML
EvalML
AutoKeras
Auto-ViML
AutoGluon
MLBox

PyCaret PyCaret 是 Python 中的一个开源、低代码机器学习库，可自动执行机器学习工作流。它也是一个端到端的机器学习和模型管理工具，可以成倍地加快实验周期，提升工作开发效率。

文章图片

与其他开源机器学习库相比，PyCaret 有着明显的低代码特质，可仅用几行代码完成原本需要数百行代码完成的工作，尤其是对于密集的实验迭代过程可以大大提速。PyCaret 本质上是围绕多个机器学习库和框架封装而成，包括大家熟悉的scikit-learn、XGBoost、LightGBM、CatBoost、spaCy、Optuna、Hyperopt 和 Ray等。

文章图片

Pycaret的相关资料链接如下：

文档：https://pycaret.gitbook.io/
GitHub：https://www.github.com/pycaret/pycaret
教程：https://pycaret.gitbook.io/docs/get-started/tutorials

# H2O AutoML H2O AutoML是另一个很有名的自动化机器学习库，可以帮助我们在有限的时间内自动训练和调优许多模型。 H2O 的核心代码是用 Java 编写的。这些算法在 H2O 的分布式 Map/Reduce 框架之上实现，并利用 Java Fork/Join 框架进行多线程处理。数据被并行读取并分布在集群中，并以压缩方式以列格式存储在内存中。

文章图片
H2O AutoML 的设计理念是，希望尽量自动化，即用户只需要给定数据集和极少量的参数，即可开始建模和调优，并在指定的时间或者其他约束条件下，尽量找到最佳的模型。 `python import h2o from h2o.automl import H2OAutoML # 初始化 h2o.init() aml = H2OAutoML(max_models =25, balance_classes=True, seed = 1) # 自动建模训练 aml.train(training_frame = X, y = 'y') lb = aml.leaderboard # 获取最佳模型 best_model = aml.get_best_model() print(best_model) ` 相关的文档可以在这里查阅。 # TPOT TPOT自动化机器学习 (AutoML) 工具库构建在scikit-learn 之上，它使用 Gentic Programming (GP) 来有效地发现给定数据集的最佳模型流水线。 TPOT 使用遗传编程来自动设计和优化一系列数据转换(特征处理)和机器学习模型，并努力最大限度提高给定监督学习数据集的效果。流程示意图如下：

文章图片
整个建模调优过程也非常简单，如下2行代码即可完成完整过程。 `python # 初始化 model = TPOTClassifier(generations=5, population_size=50, cv=cv, scoring='accuracy', verbosity=2, random_state=1, n_jobs=-1) # 自动化拟合与调优 model.fit(X, y) `

文章图片
关于TPOT的资料可以在它的文档和官方 GitHub 查看。 # Auto-sklearn 从名字可以看出来，Auto-sklearn 是一个基于sklearn的自动化机器学习工具包。它利用了贝叶斯优化、元学习和集成模型等方法来自动化建模与调优。

文章图片
使用方法和sklearn非常相似，熟悉sklearn的同学可以无障碍快速应用。示例代码如下： `python import autosklearn.classification # 构建自动化分类器 cls = autosklearn.classification.AutoSklearnClassifier() # 拟合调优 cls.fit(X_train, y_train) # 预估 predictions = cls.predict(X_test) ` 关于Auto-sklearn的资料可以在它的文档和官方 GitHub 查看。 # FLAML FLAML 是微软推出的轻量级 Python 自动化机器学习库，可以自动、高效且经济地找到准确的机器学习模型。FLAML还有来自 Visual Studio 2022 中的 ML.NE 模型生成器的 .NET 实现。 FLAML 可以快速找到具有低计算资源的高质量模型。它支持经典机器学习模型和深度神经网络。

文章图片

文章图片
关于FLAML的资料可以在它的文档和官方 GitHub 查看。大家可以在ShowMeAI的教程文章 AutoML自动化机器学习建模中查看FLAML的详细用法，简单的使用示例代码如下： `python from flaml import AutoML # 构建自动化学习器 automl = AutoML() # 拟合调优 automl.fit(X_train, y_train, task=”classification”) `

文章图片
# EvalML EvalML这个AutoML工具库使用特定领域的目标函数来构建、优化和评估机器学习流水线。它结合了先进的数据处理与特征工程工具库 Featuretools 和 Compose，可以非常方便地构建端到端的监督机器学习解决方案。

文章图片
EvalML 支持多种监督学习任务/问题，如回归、分类（二元和多类）、时间序列分析（包括时间序列回归和分类）等。

文章图片
关于EvalML的资料可以在它的文档和官方 GitHub 查看。示例使用方法如下： `python from evalml.automl import AutoMLSearch # 初始化 automl = AutoMLSearch(X_train=X_train, y_train=y_train, problem_type="binary", objective="F1") # 搜索调优 automl.search() `

文章图片
# AutoKeras AutoKeras 是一个自动化建模库，主要聚焦在自动搜索深度学习模型的架构和超参数，并尽快获得性能最佳的深度学习模型。Auto-Keras的API接口和scikit-learn风格完全一致，容易上手。它包括用于文本、图像和结构化数据的分类和回归的构建块。选择高级架构后，Autokeras 会自动调整模型。

文章图片
关于AutoKeras的资料可以在它的文档和官方 GitHub 查看。示例使用方法如下： `python import autokeras # 初始化分类器 search = autokeras.StructuredDataClassifier(max_trials=15) # 拟合与寻找最佳网络结构和超参数 search.fit(x=X_train, y=y_train, verbose=0) # 预估 y_pred = search.predict(X_new) ` # Auto-ViML Auto-ViML（自动变量可解释机器学习）是一个开源 Python 库，可以训练多个模型并自动识别最佳超参数。它内置大量的数据预处理和可解释性功能： - 自动化数据处理与清洗：给定数据集（通常是Dataframe格式），Auto_ViML 会尽量自动化处理缺失值、格式化变量、添加变量等。 - 特征选择：Auto-ViML自动选择特征变量，当我们特征维度特别高的时候，非常有用。

文章图片
关于Auto-ViML的资料可以在它的文档和官方 GitHub 查看。示例使用方法如下： `python from autoviml.Auto_ViML import Auto_ViML #包含所有参数的一个示例代码 model, features, trainm, testm = Auto_ViML( train, target, test, sample_submission, hyper_param="GS", feature_reduction=True, scoring_parameter="weighted-f1", KMeans_Featurizer=False, Boosting_Flag=False, Binning_Flag=False, Add_Poly=False, Stacking_Flag=False, Imbalanced_Flag=False, verbose=0, ) ` # AutoGluon AutoGluon 是一个由 AWS 开源的为深度学习开发优化而生的 autoML 框架。除了结构化表格数据，它还支持图像分类、目标检测和自然语言处理任务。

文章图片
AutoGluon 的核心功能包括： - 自动化寻找性能最佳的深度学习架构和超参数。 - 模型选择和自动超参数调优。 - 自动化数据预处理。关于 AutoGluon 的资料可以在它的文档和官方 GitHub 查看。示例使用方法如下： `python from autogluon.tabular import TabularDataset, TabularPredictor # 构建训练集与测试集表格数据 train_data = https://www.it610.com/article/TabularDataset('https://autogluon.s3.amazonaw...') test_data = https://www.it610.com/article/TabularDataset('https://autogluon.s3.amazonaw...') # 自动拟合与优化 predictor = TabularPredictor(label='class').fit(train_data=https://www.it610.com/article/train_data) # 预估 predictions = predictor.predict(test_data) ` # MLBox MLBox 是一个开源的 AutoML Python 库。覆盖如下的强大功能： - 特征选择、缺失值填充和异常值检测。 - 更快效果更好的数据预处理。 - 自动超参数优化。 - 用于分类和回归的自动模型选择。 - 模型预测与模型可解释性。

文章图片
关于MLBox的资料可以在它的文档和官方 GitHub 查看。示例使用方法如下： `python import mlbox as mlb # 数据自动化预处理 data = https://www.it610.com/article/mlb.preprocessing.Drift_thresholder().fit_transform(data) # 优化与拟合预估 best = mlb.optimisation.Optimiser().evaluate(None, data) mlb.prediction.Predictor().fit_predict(best, data) ` # 参考资料 - Pycaret 文档: https://pycaret.gitbook.io/ - Pycaret GitHub: https://www.github.com/pycaret/pycaret - Pycaret 教程: https://pycaret.gitbook.io/docs/get-started/tutorials - H2O AutoML: https://docs.h2o.ai/h2o/latest-stable/h2o-docs/welcome.html - TPOT 文档: http://epistasislab.github.io/tpot/ - TPOT 官方 GitHub: https://github.com/EpistasisLab/tpot - Auto-sklearn 文档: https://automl.github.io/auto-sklearn/master/ - Auto-sklearn 官方 GitHub: https://github.com/automl/auto-sklearn - FLAML 文档: https://microsoft.github.io/FLAML/ - FLAML 官方 GitHub: https://github.com/microsoft/FLAML - Featuretools: https://featuretools.featurelabs.com/ - Compose: https://compose.featurelabs.com/ - EvalML 文档: https://evalml.alteryx.com/en/stable/ - EvalML 官方 GitHub: https://github.com/alteryx/evalml - AutoKeras 文档: https://autokeras.com/ - AutoKeras 官方 GitHub: https://github.com/keras-team/autokeras - Auto-ViML 文档: https://readthedocs.org/projects/auto-viml/ - Auto-ViML 官方 GitHub: https://github.com/AutoViML/Auto_ViML - AutoGluon 文档: https://auto.gluon.ai/stable/index.html - AutoGluon 官方 GitHub: https://github.com/awslabs/autogluon - MLBox 文档: https://mlbox.readthedocs.io/en/latest/ - MLBox 官方 GitHub: https://github.com/AxeldeRomblay/MLBox - AutoML 自动化机器学习建模: https://www.showmeai.tech/article-detail/210