中年Python简化代码机器学习库PyCaret 2.0发布( 三 )


?
?
.textual .textual__body .textual__title{padding-left: 6px !important;}
xgboost_gpu = create_model("xgboost", tree_method = "gpu_hist", gpu_id = 0) #0 is gpu-id
# 在多个learning_rate下 训练多个lightgbm 模型
lgbms = [create_model("lightgbm", learning_rate = i) for i in np.arange(0.1,1,0.1)]
# 训练自定义模型
from gplearn.genetic import SymbolicClassifier
symclf = SymbolicClassifier(generation = 50)
sc = create_model(symclf)
输出示例:
中年Python简化代码机器学习库PyCaret 2.0发布
本文插图
create_model函数的输出示例
要了解更多关于模型创建函数 , 点击这里 click here.
模型调优
模型调优函数以估计器的形式调优模型超参数 。 它在预设定的调优网格( 可完全定制化 )上进行随机网格搜索 。 以下是几种函数使用方法:
# 导入classification 模块
from pycaret.classification import *
# 初始化配置
clf1 = setup(data, target = "name-of-target")
# 训练一个决策树模型
dt = create_model("dt")
# 调优决策树的一个超参数
tuned_dt = tune_model(dt)
# 增加n_iter来调参
tuned_dt = tune_model(dt, n_iter = 50)
# 基于最优化AUC调参
tuned_dt = tune_model(dt, optimize = "AUC") #default is "Accuracy"
# 在 custom_grid 上调参
params = {"max_depth": np.random.randint(1, (len(data.columns)*.85),20),
5/12 上一页 2 3 4 5 6 7 8 下一页
热门推荐


    查看更多精彩

    今日快讯
    导演评张玉环27年冤狱:别哭诉了赔几百万知足吧
    警方突袭按摩会所抓"男技师"最小女客人才25岁欢迎来到新闻头条本站提供最新最全的社会,娱乐,时尚,科技等一手新鲜资讯 。本站资讯及图片内容部分收集于互联网 , 如果有侵犯您的权益 , 请发邮件到3281530663@qq.com , 我们将会即刻删除相关内容!Copyright 2018 新闻头条 toutiao.7junshi.com 版权所有
    ?
    ?
    .textual .textual__body .textual__title{padding-left: 6px !important;}
    "max_features": np.random.randint(1, len(data.columns),20),
    "min_samples_leaf": [2,3,4,5,6],
    "criterion": ["gini", "entropy"]
    }
    tuned_dt_custom = tune_model(dt, custom_grid = params)
    # 动态调优多个模型
    top3 = compare_models(n_select = 3)
    tuned_top3 = [tune_model(i) for i in top3]
    要了解更多模型调优函数 , 点击这里 click here.
    模型集成
    有几种函数可用于集成底学习器 。ensemble_model, blend_models 和stack_models是其中三种 。以下是几种函数使用方法:
    # 导入classification 模型
    from pycaret.classification import *
    # 初始化配置
    clf1 = setup(data, target = "name-of-target")
    # 训练一个决策树模型
    dt = create_model("dt")
    # 基于dt训练一个 bagging 分类器
    bagged_dt = ensemble_model(dt, method = "Bagging")
    # 基于dt训练一个带有100个估计器的adaboost 分类器
    boosted_dt = ensemble_model(dt, method = "Boosting", n_estimators = 100)
    # 训练一个包括库中所有模型的投票分类器
    blender = blend_models()
    # 训练一个基于特定模型的投票分类器
    dt = create_model("dt")


    推荐阅读