【机器学习】微软出品！FLAML：一款可以自动化机器学习过程的神器！

妖狐艹你老母 2022-08-28 04:45 238阅读 0赞

机器学习是我们使用一组算法解决来解决生活中问题的过程。创建机器学习模型很容易，但选择在泛化和性能方面都最适合的模型是一项艰巨的任务。

有多种机器学习算法可用于回归和分类，可根据我们要解决的问题来选择，但选择合适的模型是一个需要高计算成本、时间和精力的过程。

为解决上述问题，今天我给大家分享一款非常棒的工具包：FLAML，它是一个由微软开源的轻量级 Python 库，有助于自动、高效地找出最佳机器学习模型，不仅速度快，节省时间，而且设计轻巧。

让我们详细的介绍一下它吧…

#### 安装所需的库 ####

我们将首先使用 pip 安装来安装 FLAML。下面给出的命令将使用 pip 安装。

pip install flaml

#### 导入所需的库 ####

在这一步中，我们将导入创建机器学习模型和下载数据集所需的所有库。

from flaml import AutoML

#### 解决分类问题 ####

现在我们将从解决分类问题开始。我们将在这里使用的数据是著名的 Iris 数据集，可以从 Seaborn 库轻松加载。让我们开始创建模型。

#Loading the Dataset
    from sklearn.datasets import load_iris

为 Automl 创建实例很重要，同时也定义 Automl 设置，因此在这一步中，我们还将创建 Automl 实例并定义设置。

automl = AutoML()
    automl_settings = {
        "time_budget": 10,  # in seconds
        "metric": 'accuracy',
        "task": 'classification'
    }

接下来，我们将拆分数据并将其拟合到模型中。最后，我们还将使用模型进行预测并找到最佳模型。

X_train, y_train = load_iris(return_X_y=True)
    # Train with labeled input data
    automl.fit(X_train=X_train, y_train=y_train,
               **automl_settings)
    print(automl.predict_proba(X_train).shape)
    # Export the best model
    print(automl.model)

![cf91d0abb82ef7af74746533d6f08f56.png][]

在这里，我们可以清楚地看到 ExtraTreeEstimator 是此数据的最佳模型。现在让我们打印模型的最佳超参数和准确性。

print('Best ML leaner:', automl.best_estimator)
    print('Best hyperparmeter config:', automl.best_config)
    print('Best accuracy on validation data: {0:.4g}'.format(1-automl.best_loss))
    print('Training duration of best run: {0:.4g} s'.format(automl.best_config_train_time))

![dcaf98cc6f17efffb849115ddf3cc0d2.png][]同样，对于回归问题，我们也将遵循相同的过程。

#### 解决回归问题 ####

现在将解决一个回归问题。我们将在这里使用的数据是著名的波士顿数据集，可以从 Seaborn 库轻松加载。我们可以遵循与分类问题完全相同的过程。

from sklearn.datasets import load_boston
    
    automl = AutoML()
    
    automl_settings = {
        "time_budget": 10,  # in seconds
        "metric": 'r2',
        "task": 'regression'
    }
    X_train, y_train = load_boston(return_X_y=True)
    # Train with labeled input data
    automl.fit(X_train=X_train, y_train=y_train,
               **automl_settings)
    # Predict
    print(automl.predict(X_train).shape)
    # Export the best model
    print(automl.model)

![16bc94d07a1c812b65d666cf816e035a.png][]

![8a6aaa85e35af96bd920edefc8688931.png][]

在这里，我们也可以清楚地看到回归问题的最佳模型和超参数。同样，你可以对你关注的数据集执行此过程，并找到最佳模型和超参数。

**推荐阅读:**

入门: [最全的零基础学Python的问题][Python] | [零基础学了8个月的Python][8_Python] | [实战项目][Link 1] |[学Python就是这条捷径][Python 1]

量化: 定投基金到底能赚多少钱？  | 我用Python对去年800只基金的数据分析

干货:[爬取豆瓣短评，电影《后来的我们》][Link 2] | [38年NBA最佳球员分析][38_NBA]| [从万众期待到口碑扑街！唐探3令人失望][3] | [笑看新倚天屠龙记][Link 3][灯谜答题王][Link 4] ｜[用Python做个海量小姐姐素描图][Python 2][碟中谍这么火，我用机器学习做个迷你推荐系统电影][Link 5]

趣味:[弹球游戏][Link 6] | [九宫格][Link 7] | [漂亮的花][Link 8] | [两百行Python《天天酷跑》游戏!][Python 3]

AI: [会做诗的机器人][Link 9][给图片上色][Link 10] | [预测收入][Link 11] | [碟中谍这么火，我用机器学习做个迷你推荐系统电影][Link 5]

小工具: [Pdf转Word，轻松搞定表格和水印！][Pdf_Word] | [一键把html网页保存为pdf！][html_pdf]| [再见PDF提取收费！][PDF] | [用90行代码打造最强PDF转换器，word、PPT、excel、markdown、html一键转换][90_PDF_word_PPT_excel_markdown_html] | [制作一款钉钉低价机票提示器！][Link 12] ｜[60行代码做了一个语音壁纸切换器天天看小姐姐！][60]｜

**年度爆款文案**

*  1).[卧槽！Pdf转Word用Python轻松搞定][Pdf_Word_Python]！
 *  [2).学Python真香！我用100行代码做了个网站，帮人PS旅行图片，赚个鸡腿吃][2_._Python_100_PS]
 *  [3).首播过亿，火爆全网，我分析了《乘风破浪的姐姐》，发现了这些秘密][3_.]
 *  4).[80行代码！用Python做一个哆来A梦分身][80_Python_A]
 *  [5).你必须掌握的20个python代码，短小精悍，用处无穷][5_._20_python]
 *  6).[30个Python奇淫技巧集][30_Python]
 *  7).[我总结的80页《菜鸟学Python精选干货.pdf》,都是干货][80_Python_.pdf]
 *  8).[再见Python！我要学Go了！2500字深度分析][Python_Go_2500]
 *  [9).发现一个舔狗福利！这个Python爬虫神器太爽了，自动下载妹子图片][9_._Python]

#  #

点阅读原文,看Python全套！

[cf91d0abb82ef7af74746533d6f08f56.png]: /images/20220828/376421aeb1d14da089935f296c1d4234.png
[dcaf98cc6f17efffb849115ddf3cc0d2.png]: /images/20220828/e785ad7556c84c2a926de1991d314027.png
[16bc94d07a1c812b65d666cf816e035a.png]: /images/20220828/f1aadccd2d9a4ae4ab3eccdf2db82a19.png
[8a6aaa85e35af96bd920edefc8688931.png]: /images/20220828/ad075a08a73848cda10f41f6a0cacdd6.png
[Python]: https://blog.csdn.net/cainiao_python/article/details/100036887
[8_Python]: https://blog.csdn.net/weixin_33863087/article/details/91440273
[Link 1]: http://mp.weixin.qq.com/s?__biz=MzIxNjM4NDE2MA==&mid=2247489785&idx=1&sn=8acad1d7655f73702c78fe3af2fbd43a&chksm=97888f36a0ff0620bbc9e19e1783a1b3871a13485e56e58c2c2f49922951952238cb0f2ab78f&scene=21#wechat_redirect
[Python 1]: https://blog.csdn.net/weixin_39637571/article/details/110277976
[Link 2]: https://blog.csdn.net/u013402772/article/details/51159588
[38_NBA]: https://blog.csdn.net/EtoneGroup/article/details/111317660
[3]: https://blog.csdn.net/cainiao_python/article/details/119723059
[Link 3]: https://blog.csdn.net/weixin_39568172/article/details/110172136
[Link 4]: http://mp.weixin.qq.com/s?__biz=MzIxNjM4NDE2MA==&mid=2247489108&idx=1&sn=988aad43f8c6135bd7050cd8858422ca&chksm=9788819ba0ff088da3150b31f91335942eb97783206d982302c026ccb16642b03329e24a572a&scene=21#wechat_redirect
[Python 2]: https://blog.csdn.net/weixin_43881394/article/details/109030981
[Link 5]: https://blog.csdn.net/z3y3m3/article/details/105295040
[Link 6]: http://mp.weixin.qq.com/s?__biz=MzIxNjM4NDE2MA==&mid=2247484006&idx=1&sn=899e1ebeed40aa42c04c65975adcc0f4&chksm=978895a9a0ff1cbffbcd970db026540667f1413c5680305769e4e7a2cfbe5730e70b9e649bb9&scene=21#wechat_redirect
[Link 7]: http://mp.weixin.qq.com/s?__biz=MzIxNjM4NDE2MA==&mid=2247483945&idx=1&sn=3bf763ec6b2d6cfed33b5bb0e913e08c&chksm=978895e6a0ff1cf0e7b10ebe9cd7b4195aa9a9e25eeaad50f8b17b62d83fc114cbd9620fd69e&scene=21#wechat_redirect
[Link 8]: http://mp.weixin.qq.com/s?__biz=MzIxNjM4NDE2MA==&mid=2247483844&idx=1&sn=66cc4f532e2ee95427228eb6302b6e0d&chksm=9788960ba0ff1f1dd9d86868d01c96936501612bc9d3c9c9c7a55dd5b02c366a9f997ec2c172&scene=21#wechat_redirect
[Python 3]: https://blog.csdn.net/weixin_43881394/article/details/112525642
[Link 9]: https://blog.csdn.net/qq_41424519/article/details/81943237
[Link 10]: http://mp.weixin.qq.com/s?__biz=MzIxNjM4NDE2MA==&mid=2247489691&idx=1&sn=e207bfaebba4638cc00e425c6d5f41de&chksm=97888f54a0ff064253c69f08ddaced17273d430989aec293e17708e68dab675fce236bfc7af7&scene=21#wechat_redirect
[Link 11]: http://mp.weixin.qq.com/s?__biz=MzIxNjM4NDE2MA==&mid=2247489216&idx=1&sn=7eb7701a50bc3686ecdfc1921c984bb4&chksm=9788810fa0ff0819035e9226b45349b1482a38410b4ad7bae210aaf9a19709ef8b634b3319dc&scene=21#wechat_redirect
[Pdf_Word]: https://blog.csdn.net/weixin_39766071/article/details/110307080
[html_pdf]: https://blog.csdn.net/keenweiwei/article/details/18982565
[PDF]: https://blog.csdn.net/weixin_52994140/article/details/118422342
[90_PDF_word_PPT_excel_markdown_html]: https://blog.csdn.net/cainiao_python/article/details/115499784
[Link 12]: https://blog.csdn.net/cainiao_python/article/details/117457955
[60]: https://blog.csdn.net/cainiao_python/article/details/118212547
[Pdf_Word_Python]: https://blog.csdn.net/cainiao_python/article/details/106233091
[2_._Python_100_PS]: https://blog.csdn.net/i54996/article/details/120728857
[3_.]: https://blog.csdn.net/cainiao_python/article/details/113976671
[80_Python_A]: https://blog.csdn.net/weixin_39710561/article/details/110026654
[5_._20_python]: https://blog.csdn.net/q985875757/article/details/119809368
[30_Python]: https://blog.csdn.net/sinat_38682860/article/details/89288593
[80_Python_.pdf]: https://blog.csdn.net/cainiao_python/article/details/112057378
[Python_Go_2500]: https://blog.csdn.net/cainiao_python/article/details/116213390
[9_._Python]: http://mp.weixin.qq.com/s?__biz=MzIxNjM4NDE2MA==&mid=2247499091&idx=1&sn=15550f3afc5e1834a5f9d581416a47f8&chksm=978b6a9ca0fce38a3c22059103b2b4abf0b4008db53b4aad418b45cf2e785f4d971767237d79&scene=21#wechat_redirect