數(shù)據(jù)科學(xué)模型開發(fā)涉及各種組件，包括數(shù)據(jù)收集、數(shù)據(jù)處理、探索性數(shù)據(jù)分析、建模和部署。在訓(xùn)練機(jī)器學(xué)習(xí)或深度學(xué)習(xí)模型之前，必須清洗數(shù)據(jù)集并使其適合訓(xùn)練。通常這些過(guò)程是重復(fù)的，且占用了大部時(shí)間。

為了克服這個(gè)問(wèn)題，今天我分享一個(gè)名為 dabl 的開源 Python 工具包，它可以自動(dòng)化機(jī)器學(xué)習(xí)模型開發(fā)，包括數(shù)據(jù)預(yù)處理、特征可視化和分析、建模。歡迎收藏學(xué)習(xí)，喜歡點(diǎn)贊支持。

dabl

dabl 是一個(gè)數(shù)據(jù)分析基線庫(kù)，可以讓機(jī)器學(xué)習(xí)建模更容易，它包括各種特性，我們只需幾行 Python 代碼就可以處理、分析和建模。

安裝

pip install dabl

1、數(shù)據(jù)預(yù)處理

dabl 在幾行 Python 代碼中自動(dòng)執(zhí)行數(shù)據(jù)預(yù)處理管道。dabl執(zhí)行的預(yù)處理步驟包括識(shí)別缺失值、刪除冗余特征以及理解特征的數(shù)據(jù)類型以進(jìn)一步執(zhí)行特征工程。

dabl檢測(cè)到的特征類型列表包括：

continuous

categorical

date

Dirty_float

Low_card_int

free_string

Useless

dabl 使用一行 Python 代碼將所有數(shù)據(jù)集特征自動(dòng)歸類為上述數(shù)據(jù)類型。

df_clean = dabl.clean(df, verbose=1)

原始 Titanic 數(shù)據(jù)集有12個(gè)特征，dabl 會(huì)自動(dòng)將它們分類為上述數(shù)據(jù)類型，以便進(jìn)行進(jìn)一步的特征工程。dabl還提供了根據(jù)需求更改任何特性的數(shù)據(jù)類型的功能。

db_clean = dabl.clean(db, type_hints={"Cabin": "categorical"})

可以使用 detect_types() 函數(shù)查看為每個(gè)特征分配的數(shù)據(jù)類型。

2、探索性數(shù)據(jù)分析

EDA 是數(shù)據(jù)科學(xué)模型開發(fā)生命周期的重要組成部分。Seaborn、Matplotlib 等是執(zhí)行各種分析以更好地理解數(shù)據(jù)集的可視化庫(kù)。dabl 使 EDA 變得非常簡(jiǎn)單且節(jié)省大量時(shí)間。

dabl.plot(df_clean, target_col="Survived")

dabl 中 plot()函數(shù)可以通過(guò)繪制各種圖來(lái)實(shí)現(xiàn)可視化，包括：

• 目標(biāo)分布的條形圖
• 散點(diǎn)對(duì)圖
• 線性判別分析

dabl 自動(dòng)對(duì)數(shù)據(jù)集執(zhí)行 PCA，并顯示數(shù)據(jù)集中所有特征的判別 PCA 圖。

3、建模

dabl 在訓(xùn)練數(shù)據(jù)上訓(xùn)練各種基線機(jī)器學(xué)習(xí)算法來(lái)加速建模工作流程，并返回性能最佳的模型。dabl 做出簡(jiǎn)單的假設(shè)并為基線模型生成指標(biāo)。

可以使用 dabl 中 SimpleClassifier() 函數(shù)進(jìn)行建模,它很快就可以返回最佳模型。

結(jié)論

Dabl 是一個(gè)方便的工具，它使機(jī)器學(xué)習(xí)更易于容易和快速，你只需幾行 Python 代碼就可以完成數(shù)據(jù)清理、特征可視化和基線模型的開發(fā)。

如果你想了解更多，可以查看GitHub:? https://github.com/amueller/dabl

以上就是python使用dabl幾行代碼實(shí)現(xiàn)數(shù)據(jù)處理分析及ML自動(dòng)化的詳細(xì)內(nèi)容，更多關(guān)于dabl數(shù)據(jù)處理分析及ML自動(dòng)化的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！