深度盘点：机器学习中常见的7种 AutoML 工具库！

译者：Coggle，镜像：7种 AutoML 辅助工具库

@Python与数据挖掘

，著眼Python、数据挖掘、数据挖掘、有趣辅助工具！

在日常生活组织工作中，时常会碰到 AutoML 辅助工具。责任编辑归纳了常用的AutoML库，供我们优先选择。

1、LightAutoML

工程项目镜像：https://github.com/sberbank-ai-lab/LightAutoML

所推荐成分股：⭐⭐⭐

LightAutoML是如前所述Python自然环境下的方式化手动机器学习库，那时全力支持的各项任务有：

二进行分类

多进行分类

重回各项任务

LightAutoML那时只全力支持单配置文件历史记录的方式，即每带队由样品的特点和条码共同组成。

import pandas as pd from sklearn.metrics import f1_score from lightautoml.automl.presets.tabular_presets import TabularAutoML from lightautoml.tasks import Task df_train = pd.read_csv(../input/titanic/train.csv) df_test = pd.read_csv(../input/titanic/test.csv) automl = TabularAutoML( task = Task( name = binary, metric = lambda y_true, y_pred: f1_score(y_true, (y_pred > 0.5)*1)) ) oof_pred = automl.fit_predict( df_train, roles = {target: Survived, drop: [PassengerId]} ) test_pred = automl.predict(df_test) pd.DataFrame({ PassengerId:df_test.PassengerId, Survived: (test_pred.data[:, 0] > 0.5)*1 }).to_csv(submit.csv, index = False)

2、H2O AutoML

工程项目镜像：https://docs.h2o.ai/h2o/latest-stable/h2o-docs/automl.html

所推荐成分股：⭐⭐⭐⭐

H2O AutoML是如前所述Python自然环境和R自然环境下的方式化手动机器学习库，全力支持分布式部署，对模型调参、模型优先选择和特点筛选全力支持比较完备，但使用起来比较复杂。

import h2o from h2o.automl import H2OAutoML h2o.init() train_hf = h2o.H2OFrame(train_df.copy()) test_hf = h2o.H2OFrame(test_df.copy()) train_hf[target_column] = train_hf[target_column].asfactor() aml = H2OAutoML( seed=2021, max_runtime_secs=100, nfolds = 3, exclude_algos = [“DeepLearning”] ) aml.train( x=list(feature_columns), y=target_column, training_frame=train_hf ) preds = aml.predict(h2o.H2OFrame(test_df[feature_columns].copy())) preds_df = h2o.as_list(preds) preds_df submission[[Class_1, Class_2, Class_3, Class_4]] = preds_df[[Class_1, Class_2, Class_3, Class_4]] submission.to_csv(h2o_automl_300s.csv, index=False) submission.head()

3、MLJAR AutoML

工程项目镜像：https://github.com/mljar/mljar-supervised

所推荐成分股：⭐⭐⭐⭐

MLJAR AutoML是如前所述Python自然环境下的方式化手动机器学习库，所全力支持的机器学习模型非常多，且对模型可视化全力支持的非常好。

from supervised.automl import AutoML # mljar-supervised automl = AutoML( mode=“Compete”, eval_metric=“f1”, total_time_limit=300, features_selection=False # switch off feature selection ) automl.fit( train[feature_cols], train[target_column] ) preds = automl.predict(test[feature_cols]) submission[Survived] = preds submission.to_csv(mljar_automl_300s_f1_metric.csv, index=False) submission.head()

4、PyCaret

工程项目镜像：https://pycaret.org/

所推荐成分股：⭐⭐⭐⭐⭐

PyCaret是如前所述Python自然环境下的方式化手动机器学习库，全力支持的各项任务包括：

进行分类

重回

聚类

异常检测

NLP

关联规则

PyCaret全力支持的模型比较多，工程项目也比较活跃，但对模型的可视化做的不够。

from pycaret.classification import * from category_encoders.cat_boost import CatBoostEncoder cat_train_df = train_df.copy() cat_test_df = test_df.copy() ce = CatBoostEncoder() cols_to_encode = [name, sex, ticket, cabin, embarked] cat_train_df[pure_cat_cols] = ce.fit_transform(cat_train_df[pure_cat_cols], cat_train_df[target_column]) cat_test_df[pure_cat_cols] = ce.transform(cat_test_df[pure_cat_cols]) setup( data = cat_train_df[feature_cols.to_list() + [target_column]], target = target_column, fold = 3, silent = True, ) best_models = compare_models( sort=F1, n_select=3, budget_time=300, ) # we will use it later best = automl(optimize = F1)

5、EvalML: AutoML

工程项目镜像：https://evalml.alteryx.com/en/latest/

所推荐成分股：⭐⭐⭐

EvalML是一款比较模块比较完备的手动机器学习框架，全力支持进行分类、重回和时间序列各项任务。但提出的时间稍晚，所以使用的人很少。

from evalml.automl import AutoMLSearch X = train_df.drop(columns=[target_column, passengerid]) y = train_df[target_column] X_train,X_test,y_train,y_test = train_test_split(X, y, test_size=0.2) automl = AutoMLSearch( X_train=X_train, y_train=y_train, problem_type=binary, random_seed=2021, max_time=300, ) automl.search() pipeline = automl.best_pipeline pipeline.fit(X, y)

6、TPOT: Genetic Approach

工程项目镜像：http://epistasislab.github.io/tpot/

所推荐成分股：⭐⭐⭐

TPOT是一款非常轻量级的手动机器学习框架，利用遗传算法可以快读完成特点的构造。但TPOT所全力支持的功能较少，所以场景有限。

from tpot import TPOTClassifier from sklearn.model_selection import train_test_split tpot = TPOTClassifier(generations=5, population_size=50, verbosity=2, random_state=42) tpot.fit(X_train, y_train) print(tpot.score(X_test, y_test)) tpot.export(tpot_digits_pipeline.py)

7、FLAML

工程项目镜像：https://github.com/microsoft/FLAML

所推荐成分股：⭐⭐⭐⭐

FLAML是由微软提出的手动机器学习库，全力支持进行分类和重回各项任务。FLAML对特点的构造和搜索全力支持的比较好，非常轻量。

from flaml import AutoML from sklearn.datasets import load_boston automl = AutoML() # Specify automl goal and constraint automl_settings = { “time_budget”: 300, # in seconds “metric”: accuracy, “task”: classification, } automl.fit( X_train=train_df[feature_cols], y_train=train_df[target_column], **automl_settings ) print(automl.predict_proba(train_df[feature_cols]))