本文介绍: Python是一种多功能语言,你可以用它来做任何事情。Python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

Python是一种多功能语言,你可以用它来做任何事情。Python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开源的,并在MIT许可证发布

Lazy Predict如何帮助您使用机器学习模型实现更好结果

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结果。它为您提供了一种方便的方法预处理数据、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保存您的时间和精力。

Lazy Predict可以帮助您:

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安装最新版本的Python。您可以通过访问Python网站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。

使用LazyRegressor进行回归任务示例

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)

在这里插入图片描述

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) 

在这里插入图片描述
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

原文地址:https://blog.csdn.net/qq_42034590/article/details/133816447

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任

如若转载,请注明出处:http://www.7code.cn/show_25286.html

如若内容造成侵权/违法违规/事实不符,请联系代码007邮箱suwngjj01@126.com进行投诉反馈,一经查实,立即删除

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注