您现在的位置是:网站首页> 内容页

初识TPOT:一个基于Python的自动化机器学习开发工具

  • 乐游在线娱乐平台
  • 2019-09-28
  • 401人已阅读
简介1.TPOT介绍一般来讲,创建一个机器学习模型需要经历以下几步:数据预处理特征工程模型选择超参数调整模型保存本文介绍一个基于遗传算法的快速模型选择及调参的方法,TPOT:一种基于Py

1. TPOT介绍

一般来讲,创建一个机器学习模型需要经历以下几步:

数据预处理特征工程模型选择超参数调整模型保存

本文介绍一个基于遗传算法的快速模型选择及调参的方法,TPOT:一种基于Python的自动机器学习开发工具。项目源代码位于:https://github.com/EpistasisLab/tpot

下图是一个机器学习模型开发图,其中灰色部分代表TPOT将要做的事情:即通过利用遗传算法,分析数千种可能的组合,为模型、参数找到最佳的组合,从而自动化机器学习中的模型选择及调参部分。

 

 

使用TPOT(版本0.9.5)开发模型需要把握以下几点:

    在使用TPOT进行建模前需要对数据进行必要的清洗和特征工程操作。TPOT目前只能做有监督学习。TPOT目前支持的分类器主要有贝叶斯、决策树、集成树、SVM、KNN、线性模型、xgboost。TPOT目前支持的回归器主要有决策树、集成树、线性模型、xgboost。TPOT会对输入的数据做进一步处理操作,例如二值化、聚类、降维、标准化、正则化、独热编码操作等。根据模型效果,TPOT会对输入特征做特征选择操作,包括基于树模型、基于方差、基于F-值的百分比。可以通过export()方法把训练过程导出为形式为sklearn pipeline的.py文件

2. TPOT实现模型训练

下面是一个使用TPOT对MNIST数据集进行模型训练的例子:

# -*- coding: utf-8 -*-"""@author: wangkang@file: start_tpot.py@time: 2018/11/9 11:21@desc: TPOT 实践"""import timefrom tpot import TPOTClassifierfrom sklearn.datasets import load_digitsfrom sklearn.model_selection import train_test_split# 载入数据集digits = load_digits()X_train, X_test, y_train, y_test = train_test_split(digits.data, digits.target, train_size=0.75, test_size=0.25)start = time.time()"""generations:运行管道优化过程的迭代次数population_size:在遗传进化中每一代要保留的个体数量verbosity: TPOT运行时能传递多少信息"""# 使用TPOT初始化分类器模型tpot = TPOTClassifier(generations=5, population_size=20, verbosity=0)# 模型训练tpot.fit(X_train, y_train)print(tpot.score(X_test, y_test))print("找到最优模型与超参数耗时:", time.time() - start)# 分类器其模型保存为 .pytpot.export("tpot_mnist_pipeline.py")

运行结果如下所示:

 

可以观察到,经过5次遗传进化,找到了此范围内得分最高的模型及参数组合!但观察代码耗时发现,在i5-7500 CPU @ 3.40GHz条件下,这5次迭代,共耗时1297 S。

我们可以打开生成的 tpot_mnist_pipeline.py 文件,如下所示:

import numpy as npimport pandas as pdfrom sklearn.ensemble import ExtraTreesClassifier, GradientBoostingClassifierfrom sklearn.feature_selection import VarianceThresholdfrom sklearn.model_selection import train_test_splitfrom sklearn.pipeline import make_pipeline, make_unionfrom tpot.builtins import StackingEstimator"""# NOTE: Make sure that the class is labeled "target" in the data filetpot_data = pd.read_csv("PATH/TO/DATA/FILE", sep="COLUMN_SEPARATOR", dtype=np.float64)features = tpot_data.drop("target", axis=1).valuestraining_features, testing_features, training_target, testing_target = train_test_split(features, tpot_data["target"].values, random_state=None)"""# 以上代码需修改为下面形式以供正确运行from sklearn.datasets import load_digitsdigits = load_digits()X = digits.datay = digits.targettraining_features, testing_features, training_target, testing_target = train_test_split(X, y, random_state=None)# 此为由TPOT遗传算法得到的最优模型及参数组合# Average CV score on the training set was:0.9792963424938936

exported_pipeline = make_pipeline( PolynomialFeatures(degree=2, include_bias=False, interaction_only=False), ZeroCount(), LinearSVC(C=0.5, dual=True, loss="squared_hinge", penalty="l2", tol=0.001))

exported_pipeline.fit(training_features, training_target) results = exported_pipeline.predict(testing_features) print(results)

可以发现,训练好的模型以pipeline的形式保存(未进行持久化保存)。这样,整个关于MNIST数据集的分类器就训练完成了。

3. 总结

1、通过简单浏览源码发现,TPOT是在sklearn的基础之上做的封装库。其主要封装了sklearn的模型相关模块、processesing模块和feature_selection模块,所以TPOT的主要功能是集中在使用pipeline的方式完成模型的数据预处理、特征选择和模型选择方面。此外,我们还发现了TPOT已经对xgboost进行了支持。

2、虽然TPOT使用遗传算法代替了传统的网格搜索进行超参数选择,但由于默认初始值的随机性,在少量的进化(迭代)次数下,TPOT最终选择的模型往往并不相同。

3、计算效率问题。作者在代码中写道:进化(迭代)次数和每一代保留的个体数量值越多,最终得模型得分会越高。但这同样也会导致耗时很长。

文章评论

Top