Python机器学习：多个模型的调用

在做项目的过程中一个个模型地试验太耗费时间，我们可以把多个模型封装到一个方法里，一起调用，统一输出结果，这样对比不同模型的得分就非常便捷啦。

基础的分类算法大全（前8个是十大经典机器学习算法里面的）：

英文简称	模型	调用
LR	LogisticRegression()	from sklearn.linear_model import LogisticRegression
NB	MultinomialNB()	from sklearn.naive_bayes import MultinomialNB
DT	DecisionTreeClassifier()	from sklearn.tree import DecisionTreeClassifier
RF	RandomForestClassifier()	from sklearn.ensemble import RandomForestClassifier
SVM	svm.SVC() Support Vector Machine	from sklearn import svm
KNN	KNeighborsClassifier()	from sklearn.neighbors import KNeighborsClassifier
GBDT	GradientBoostingClassifier()	from sklearn.ensemble import GradientBoostingClassifier
XGBoost	XGBClassifier()	from xgboost import XGBClassifier
AdaBoost	AdaBoostClassifier()	from sklearn.ensemble import AdaBoostClassifier
LGB	lgb.LGBMClassifier() Light Gradient Boosting Machine Classifier	import lightgbm as lgb

以上模型都可以用在有监督学习的分类任务里。前8个都是十大经典机器模型里面的，后2个也是比较常用的模型。十大经典机器学习算法还有 线性回归和K-means，线性回归用来预测连续型变量，K-means用在无监督学习的聚类任务，这一期主要解决分类问题就不介绍啦。

调包调用模型：

from sklearn.linear_model import LogisticRegression #逻辑回归
from sklearn.naive_bayes import MultinomialNB #朴素贝叶斯
from sklearn.tree import DecisionTreeClassifier #决策树
from sklearn.ensemble import RandomForestClassifier #随机森林
from sklearn import svm #支持向量机
from sklearn.neighbors import KNeighborsClassifier #K近邻算法
from sklearn.ensemble import GradientBoostingClassifier #梯度提升树
from xgboost import XGBClassifier #极度梯度提升树
from sklearn.ensemble import AdaBoostClassifier #AdaBoost
import lightgbm as lgb #LGB

from sklearn.metrics import roc_auc_score #auc

定义方法train_and_score()：

def train_and_score(X_train,y_train,X_test,y_test):
    models = [
        LogisticRegression(), #逻辑回归 LR
        DecisionTreeClassifier(), #决策树 DT
        RandomForestClassifier(), #随机森林 RF
        SVC(probability=True), #支持向量机 SVM
        KNeighborsClassifier(), #K近邻算法 KNN
        GradientBoostingClassifier(), # 梯度提升树 GBDT
        XGBClassifier(),#极度梯度提升树 XGBoost
        AdaBoostClassifier(), #集成学习分类器
        lgb.LGBMClassifier() #lightgbm
    ]
    for model in models:
        model.fit(X_train,y_train)
        y_test_proba = model.predict_proba(X_test)[:, 1]
        auc = roc_auc_score(y_test, y_test_proba)
        print("模型：%s，auc得分：%f；"%(model,auc))

代码讲解：

def train_and_score()是方法名，后续调用可以直接使用，里面定义了4个输入参数，分别是训练集的x和y，以及测试集的x和y，是在训练模型和计算得分时要用到的；

models是定义的数组名，存放要用到的模型；

for循环是因为模型有很多个，要把每个模型都遍历一次输出结果；

model in models指数组里面其中一个模型，model.fit()是训练模型的固定语法；

predict_proba()是计算概率值，在用auc作为评分标准的时候使用；而predict()是生成0-1的结果，在计算准确率accuracy、召回率recall、F1值、精确率precision的时候使用；

计算auc是调用包sklearn.metrics 里面的roc_auc_score()方法；

%s和%f是占位符，%s是文本的占位符，%f是浮点数的占位符；

封装好代码后，就可以直接调用方法啦：

train_and_score(X_train,y_train,X_test,y_test)

运行结果：

可见得分0.888是这些模型的最高得分了，下一步还可以继续调参或者优化特征提高分数。