作者|IsmaelAraujo
译者 | Sambodhi
策划 | 刘燕
本文最初发表于 Towards Data Science 博客，经原作者 Ismael Arayjo 授权，InfoQ 中文站翻译并分享。
这篇文章教你如何使用 Lazy Predict 运行超过 40 个机器学习模型进行回归项目。
假设你需要执行一项回归机器学习项目。你已经分析了你的数据，进行了一些数据清洗，创建了一些虚拟变量，现在，是时候运行机器学习回归模型了。你想到的十大模型有哪些？大多数人可能都不知道有“十大回归模型”。如果你不知道，也不必担心，因为在本文的最后，你不仅可以运行 10 个机器学习回归模型，而且能运行 40 多个机器学习回归模型。
几周前，我在博客上发表了一篇名为《如何用几行代码运行 30 个机器学习模型》（How to Run 30 Machine Learning Models with a Few Lines of Code）的文章，反响非常好。实际上，这是我到目前为止最受欢迎的博文。在那篇博文中，我创建了一个分类项目来尝试 Lazy Predict。现在，我要在一个回归项目测试 Lazy Predict。因此，我将使用典型的西雅图房价数据集，在 Kaggle 上就能找到。
Lazy Predict 是什么？
不需要很多代码，Lazy Predict 就能帮助构建几十个模型，并帮助了解哪些模型在不经过任何参数调整的情况下工作得更好。说明其工作原理的最好方法就是使用一个小项目，现在就开始吧。
回归项目使用 Lazy Predict
首先，要安装 Lazy Predict，你可以pip install lazypredict回归项目到你的终端。简单得很。接下来，让我们导入一些用于本项目的库。你可以在这里找到完整的 Notebook。
# Importing important libraries
import pyforest
from lazypredict.Supervised import LazyRegressor
from pandas.plotting import scatter_matrix
# Scikit-learn packages
from sklearn.linear_model import LinearRegression
from sklearn.tree import DecisionTreeRegressor
from sklearn.ensemble import ExtraTreesRegressor
from sklearn import metrics
from sklearn.metrics import mean_squared_error
# Hide warnings
import warnings
warnings.filterwarnings(“ignore”)
# Setting up max columns displayed to 100
pd.options.display.max_columns = 100
你可以看到我导入了pyforest而非 Pandas 和 Numpy。在 Notebook 中，PyForest 可以非常快速地导入所有重要的库。我写了一篇关于它的博文，你可以在 这里 找到。接下来，让我们来导入数据集。
# Import dataset
df = pd.read_csv('../data/kc_house_data_train.csv', index_col=0)
看看这个数据集是什么样子。
下面我们来检查一下数据类型。
# Checking datatimes and null values
df.info()
下面是吸引我注意力的几件事情。第一件是id列与这个小项目没有任何关联。但是，如果你想更深入地研究这个项目，你应该检查是否存在重复项。另外，date列是一个对象类型。应将其改为 DateTime 类型。这些列中的zipcode，lat和long可能与价格几乎或者根本没有关联。然而，因为本项目的目标是演示lazy predict，所以我会保留它们。
接下来，在运行第一个模型之前，让我们检查一些统计数据，以找出需要修改的地方。
是的，我看到了一些有趣的事情。首先，有一所房子有 33 间卧室，那不可能是真的。所以我在网上查了一下，结果发现我用它的id找到了这套房子，它实际上有 3 间卧室。你可以在 这里 找到这套房子。此外，有些房子看上去没有卫生间。我会包括至少 1 个卫生间，这样我们就可以完成数据清理了。
# Fixing house with 33 bedrooms
df[df['bedrooms'] == 33] = df[df['bedrooms'] == 3]
# This will add 1 bathroom to houses without any bathroom
df['bathrooms'] = df.bedrooms.apply(lambda x: 1 if x
拆分训练集和测试集
我们现在可以拆分训练集和测试集了。但是在此之前，让我们确保代码不会出现nan或infinite的值。
# Removing nan and infinite values
df.replace([np.inf, -np.inf], np.nan, inplace=True)
df.dropna(inplace=True)
现在将数据集分为 X 和 Y 两个变量。我会给训练集分配 75% 的数据集，给测试集 25%。
# Creating train test split
X = df.drop(columns=['price])
y = df.price
# Call train_test_split on the data and capture the results
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=3,test_size=0.25)
是时候找点乐子了！下面的代码将运行 40 多个模型，并显示每个模型的 R-Squared 和 RMSE。做好准备，开始！
reg = LazyRegressor(ignore_warnings=False, custom_metric=None)
models, predictions = reg.fit(X_train, X_test, y_train, y_test)
print(models)
哇！对于花费在上面的工作来说，这些结果非常好。对普通模型而言，这些都是非常好的 R-Squared 和 RMSE。就像我们看到的，我们运行了 41 个普通模型，并且得到了我们需要的指标，你可以看到每个模型所花费的时间。一点也不差。那么，你如何确定这些结果是否正确呢？通过运行一个模型，我们可以查看结果，看它是否和我们得到的结果相近。我们要不要测试一下基于直方图的梯度提升回归树？如果你从未听说过这种算法，不要担心，因为我也从没听说过它。你可以在 这里 找到一篇关于它的文章。
复核结果
首先，让我们用 scikit-learn 导入这个模型。
# Explicitly require this experimental feature
from sklearn.experimental import enable_hist_gradient_boosting
# Now you can import normally from ensemble
from sklearn.ensemble import HistGradientBoostingRegressor
此外，我们还创建了一个函数来检查模型的度量。
# Evaluation Functions
def rmse(model, y_test, y_pred, X_train, y_train):
r_squared = model.score(X_test, y_test)
mse = mean_squared_error(y_test, y_pred)
rmse = np.sqrt(mse)
print(‘R-squared: ‘ + str(r_squared))
print(‘Mean Squared Error: ‘+ str(rmse))
# Create model line scatter plot
def scatter_plot(y_test, y_pred, model_name):
plt.figure(figsize=(10,6))
sns.residplot(y_test, y_pred, lowess=True, color='#4682b4',
line_kws={'lw': 2, 'color': 'r'})
plt.title(str('Price vs Residuals for '+ model_name))
plt.xlabel('Price',fontsize=16)
plt.xticks(fontsize=13)
plt.yticks(fontsize=13)
plt.show()
最后，我们来运行这个模型并查看结果。
# Histogram-based Gradient Boosting Regression Tree
hist = HistGradientBoostingRegressor()
hist.fit(X_train, y_train)
y_pred = hist.predict(X_test)
瞧！我们用 Lazy Predict 得到的结果和这个结果非常接近。看来这确实很管用。
最后想法
Lazy Predict 是一个神奇的库，易于使用，并且非常快速，只需要很少的代码就可以运行普通模型。你可以使用 2 到 3 行的代码来手动设置，而不需要手工设置多个普通模型。切记，不要把结果作为最终的模型，应该始终对结果进行复核，以确保库工作正常。就像我在其他博文中提到的那样，数据科学是一个复杂的领域，Lazy Predict 并不能取代那些优化模型的专业人员的专业知识。请让我知道它是如何为你工作的。
