极客笔记自动机器学习Python等效代码解释
介绍
机器学习是一个快速发展的领域，不断涌现出新的技术和算法。然而，创建和优化机器学习模型可能是一项耗时且具有挑战性的任务，需要高度的专业知识。自动化机器学习（autoML）旨在通过自动化诸如特征工程、超参数调整和模型选择等许多繁琐的任务，简化机器学习模型的创建和优化过程。
基于Python中最著名的机器学习库之一scikit-learn，auto-sklearn是一个强大的开源自动机器学习框架。它通过贝叶斯优化和元学习，高效地搜索潜在的机器学习流水线空间，并自动识别出给定数据集的最佳模型和超参数。本教程将介绍在Python中使用Auto-sklearn的用法，包括安装、导入数据、数据准备、创建和训练模型以及评估模型的有效性。即使是新手也可以使用Auto-sklearn快速简单地创建强大的机器学习模型。
处理node-red中的错误的方法
Auto-sklearn
使用高效的开源软件Auto-sklearn自动化创建和不断改进机器学习模型。它利用基于著名机器学习程序scikit-learn的贝叶斯优化和元学习，自动发现适用于特定数据集的理想模型和超参数。
autosklearn已被应用于分类和回归问题的多种领域，包括自然语言处理、图像分类和时间序列预测。
该库通过搜索潜在的机器学习流水线集合，其中包括特征工程、模型选择和数据准备过程。它利用贝叶斯优化高效地搜索这个空间，并通过元学习从先前的测试中学习，不断提高搜索效率。
此外，Auto-sklearn还提供了一些强大的功能，包括动态集成选择、自动模型集成和主动学习。此外，它还提供了易于使用的API，用于开发、测试和训练模型。
AutoML代码
现在让我们使用Auto-sklearn更详细地检查AutoML代码。我们将使用scikit-learn的数字数据集，这是一个包含手写数字的数据集。目标是根据数字的图片预测数字。以下是代码示例：
程序
import autosklearn.classification
from sklearn.datasets import load_digits
from sklearn.model_selection import train_test_split
# Load the dataset
X, y = load_digits(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=1)
# Create and fit the AutoML model
automl = autosklearn.classification.AutoSklearnClassifier(time_left_for_this_task=180, per_run_time_limit=30)
automl.fit(X_train, y_train)
# Evaluate the model on the test set
print("Accuracy:", automl.score(X_test, y_test))
输出
Accuracy: 0.9866666666666667
代码解释
这个程序使用自动化机器学习 (AutoML) 对 MNIST 数据集中的手写数字进行分类，其中包括使用 Auto-sklearn 模块。以下是代码的简要概述 −
- 从autosklearn.classification模块中导入AutoSklearnClassifier类，该类包含将被使用的AutoML分类模型，导入autosklearn.classification模块。
-
从sklearn.datasets导入load digits：这个语句导入了sklearn.datasets包中的MNIST数据集的load digits函数。
-
模型选择来自sklearn：MNIST数据集使用sklearn.model selection模块的train test split函数将其分为训练集和测试集，这里进行了导入。
-
加载MNIST数据集，将输入特征存储在X中，将相应的标签存储在y中。X，y = load digits(return X y=True)：这个语句加载了MNIST数据集。
-
X train, X test, y train, y test = train test split(X, y, random state=1)将数据集按75:25的比例划分为训练集和测试集，并设置随机种子为1以便可重复性。
-
automl等于autosklearn.classification.AutoSklearnClassifier (per run time limit=30, time left for this task=180)：通过将这个作为AutoSklearnClassifier类的一个实例，形成将要在MNIST数据集上训练的AutoML模型。每次运行的时间限制表示每个模型可能运行的最长时间（以秒为单位），而此任务剩余时间显示AutoML进程可能运行的最长时间（以秒为单位）。
-
使用训练集X train和相关标签Y train对AutoSklearnClassifier模型进行训练，通过使用automl.fit函数 (X train, y train)。
-
accuracy:”, print(X test, y test), automl.score ：在对X test和Y test相关标签进行性能评估之后，决定AutoSklearnClassifier模型在测试集上的准确性。score方法给出了模型在给定数据集上的准确性。
上述代码实现了AutoML方法，这是一种自动化建模过程的机器学习技术，涉及特征选择、超参数调整和数据准备。即使非专家也可以通过AutoML创建强大的模型，减少了创建机器学习模型所需的手动工作量。
首先导入了所需的库，如pandas、numpy、sklearn和tpot。Sklearn用于机器学习任务，如数据预处理、模型选择和评估，Pandas用于数据操作，NumPy用于数值计算。实现AutoML算法的主要库是TPOT。
然后使用pandas的read csv函数加载数据集，将输入特征和输出标签分开存储到不同的变量中。’y’变量保存输出的标签，而’X’变量存储输入的特征。
为了适应数据并生成机器学习模型，代码首先加载数据集，然后创建TPOTRegressor类的实例。TPOTRegressor是TPOTBase类的子类，使用遗传算法选择特征和调整超参数。TPOTRegressor类处理回归问题，而TPOTClassifier类处理分类问题。
使用Sklearn的train-test-split方法将数据集分成训练集和测试集。按照机器学习的常规做法，数据被划分为两部分：用于拟合模型的训练集和用于评估模型性能的测试集。
数据拆分后，调用TPOTRegressor实例的fit方法，将模型调整到训练数据。使用遗传算法通过fit技术找到给定数据的最佳特征子集和超参数。然后返回最佳模型。
代码使用scoring方法对测试集上的模型性能进行评估，确定模型的准确性。准确性得分表示模型拟合数据的程度，值越接近1表示拟合得越好。
然后使用export函数将最佳模型导出到Python文件中，同时导出测试集的准确度得分。
总结
总之，Auto-sklearn是一个强大的库，简化了机器学习模型的创建和改进过程。通过自动搜索给定数据集的最佳模型和超参数，可以节省时间和精力。本教程介绍了如何在Python中使用Auto-sklearn，包括安装它、导入数据、准备数据、创建和训练模型以及评估模型性能的指导。即使是初学者也可以使用Auto-sklearn快速简便地创建强大的机器学习模型。