Python中用于机器学习的Lazy Predict库

Python是一种多功能语言，你可以用它来做任何事情。Python的一个伟大之处在于，有这么多的库使它变得更加强大。Lazy Predict就是其中一个库。它是机器学习和数据科学的一个很好的工具。在本文中，我们将了解它是什么，它做什么，以及如何使用它来使您的生活更轻松。

Lazy Predict是预测建模项目所需的一个工具。它是一个简单而高效的工具，使您的预测建模项目更容易，更快。Lazy Predict是一个Python库，提供了一种简单有效的预测方法。它易于使用，易于安装。Lazy Predict是开源的，并在MIT许可证下发布。

Lazy Predict如何帮助您使用机器学习模型实现更好的结果？

Lazy predict是一个功能强大的Python库，可以帮助您使用机器学习模型实现更好的结果。它为您提供了一种方便的方法来预处理数据、调整模型和评估结果。此外，它还提供了许多有用的功能，例如模型选择和超参数优化，可以帮助您充分利用机器学习模型。

在预测建模项目中使用Lazy Predict的好处：

如果您正在寻找一种工具来帮助您进行预测建模项目，请考虑使用Lazy Predict。它可以通过自动为您的模型生成代码来保存您的时间和精力。

Lazy Predict可以帮助您：

• 自动为模型生成代码，从而保存时间。
• 通过提供一致的代码生成方式来减少错误。
• 通过让你专注于其他任务来提高你的生产力。

如何开始使用Lazy Predict？

如果你是Python库世界的新手，那么你可能想知道如何开始使用Lazy Predict。这里有一个快速指南来帮助你开始。首先，你需要确保你的系统上安装了最新版本的Python。您可以通过访问Python网站并下载最新版本来实现这一点。

安装Python后，需要安装Lazy Predict库。您可以使用pip命令来完成此操作。打开一个终端窗口，输入以下内容：

 pip install lazypredict

有效使用Lazy Predict的提示和技巧：

Lazy Predict是快速为数据生成预测的一个很好的工具。但是，在使用它以获得最准确的结果时，需要记住一些事情。

• 首先，确保您的数据是干净的，并为分析做好准备。这意味着删除任何无效或缺失的值，并确保所有数值都正确缩放。
• 接下来，注意将数据正确地划分为训练集和测试集。这将有助于避免过度拟合，并确保您的预测尽可能准确。
• 最后，注意你的预测的准确性。Lazy Predict并不完美，有时其结果可能不准确。如果你注意到你的预测是关闭的，尝试调整你的参数或使用不同的算法。

使用LazyRegressor进行回归任务示例

• Python库使我们能够非常容易地处理数据，并通过一行代码执行典型和复杂的任务。
• Pandas -此库有助于以2D数组格式加载数据框，并具有多个功能，可以一次性执行分析任务。
• Numpy - Numpy数组非常快，可以在很短的时间内执行大型计算。
• Matplotlib/Seaborn -此库用于绘制可视化。
• Sklearn -该模块包含多个库，这些库具有预实现的功能，可以执行从数据预处理到模型开发和评估的任务。

from sklearn import datasets 
from sklearn.utils import shuffle 
import numpy as np 

# Importing LazyRegressor 
from lazypredict.Supervised import LazyRegressor 

在下面的步骤中，我们将从因变量或目标变量中分离独立特征。

# storing the Boston dataset in variable 
boston = datasets.load_boston() 

# loading and shuffling the dataset 
X, y = shuffle(boston.data, 
			boston.target, 
			random_state=13) 
offset = int(X.shape[0] * 0.9) 

为了测试模型在看不见的数据上的性能，我们需要一些剩余的数据集，我们将数据以90：10的比例分成两部分，用于训练和测试目的。

# splitting dataset into training and testing part 
X_train, y_train = X[:offset], y[:offset] 
X_test, y_test = X[offset:], y[offset:] 

现在让我们初始化LazyRegressor类的一个实例，然后我们将使用训练和测试数据调用这个实例的fit函数。

# fitting data in LazyRegressor because 
# here we are solving Regression use case. 
reg = LazyRegressor(verbose=0, 
					ignore_warnings=False, 
					custom_metric=None) 

# fitting data in LazyClassifier 
models, predictions = reg.fit(X_train, X_test, 
							y_train, y_test) 
# lets check which model did better 
# on Breast Cancer Dataset 
print(models)

使用LazyClassifier进行分类任务示例

现在，让我们尝试使用lazy predict库进行分类任务，以发现将拟合数据并测量性能的模型。为此，我们可以使用Sklearn库中的乳腺癌数据集。

# storing the Boston dataset in variable 
canc = datasets.load_breast_cancer() 

# loading and shuffling the dataset 
X, y = shuffle(canc.data, 
			canc.target, 
			random_state=13) 
offset = int(X.shape[0] * 0.9) 

为了测试模型在看不见的数据上的性能，我们需要一些剩余的数据集，我们将数据以90：10的比例分成两部分，用于训练和测试目的。

# splitting dataset into training and testing part 
X_train, y_train = X[:offset], y[:offset] 
X_test, y_test = X[offset:], y[offset:] 

现在让我们初始化LazyClassifier类的一个实例，然后我们将使用训练和测试数据调用这个实例的fit函数。

from lazypredict.Supervised import LazyClassifier 
# fitting data in LazyRegressor because 
# here we are solving Regression use case. 
clf = LazyClassifier(verbose=0, 
					ignore_warnings=False, 
					custom_metric=None) 

# fitting data in LazyClassifier 
models, predictions = clf.fit(X_train, X_test, 
							y_train, y_test) 
# lets check which model did better 
# on Breast Cancer Dataset 
print(models) 

在上述输出中，数值列为准确度、平衡准确度、ROC - AUC和F1评分。这就是我们如何使用Lazy Predict库为特定任务构建回归器或分类器。

Lazy Predict是你写研究论文所需要的一个工具。它可以帮助你生成你的论文的部分内容，在一小部分的时间。它还可以帮助你格式化你的论文，使它看起来专业，易于阅读。