Использование нейлона для создания модели машинного обучения в представлении естественного языка
Моделирование машинного обучения - сложная задача, потому что сначала нам нужно подготовить данные, выполнить проектирование функций, подготовить их к моделированию, а затем создать различные модели машинного обучения, чтобы найти наиболее эффективную модель. Но что, если я скажу вам, что вы можете сделать все это в нескольких строках кода, используя файл JSON? Да, вы правильно прочитали.
Нам просто нужно создать файл JSON, в котором мы определяем целевую переменную и список моделей, в которых вам нужно запускать свои данные. Точно так же мы также можем предварительно обработать данные, манипулировать данными перед их передачей в модель. В файле JSON нам просто нужно передать на естественном языке представление операции, которую нам нужно выполнить.
Nylon - это библиотека Python с открытым исходным кодом, которая легко создает модели машинного обучения в синтаксисе JSON с использованием обычного английского языка. В этой статье мы рассмотрим нейлон и его функции.
Давайте начнем…
Установка необходимых библиотек
Начнем с установки Nylon с помощью pip. Команда, представленная ниже, сделает это.
!pip install nylon
Импорт необходимых библиотек и создание нейлонового объекта
На этом этапе мы импортируем необходимые библиотеки для создания моделей машинного обучения. Перед выполнением любой операции нам просто нужно инициализировать объект и передать путь к данным, с которыми мы будем работать. Здесь я покажу вам, как создать объект и передать в него данные.
from nylon import Polymer nylon_object = Polymer('/content/diabetes.csv')
Здесь вы можете видеть, что я передал путь к набору данных в качестве параметра объекту.
Создание кода / файла JSON
Мы можем создать файл JSON или код в стиле JSON, который будет использоваться для моделирования. Приведенный ниже код создает модель. Имена моделей могут использоваться как «rf» для случайного леса, «sgd» для градиентного спуска и т. Д.
json_file = { "data": { "target": "Outcome" }, "preprocessor": { "fill": "ALL", }, "modeling": { "type": ["svms", "neighbors", "rf", "mlp","sgd"] } }
Здесь вы можете видеть, что мы передали целевую переменную, препроцессор и все модели, которые нам нужно создать. Если мы не передадим препроцессор, он позаботится об этом автоматически. Запустив этот код, мы сможем создать файл / код JSON, а после этого мы можем запустить объект нейлона, передав файл JSON, и это запустит модели.
nylon_object.run(json_file)
Анализ результатов
На этом последнем шаге мы проанализируем результаты всех созданных нами моделей и посмотрим, какая из них работает лучше всего.
nylon_object.results
Здесь мы можем проанализировать результаты всех моделей и выбрать наиболее эффективную. Нейлон очень прост в использовании и может быть легко интегрирован в рабочие процессы машинного обучения.
Попробуйте это с разными наборами данных и выполните модели машинного обучения. Если у вас возникнут какие-либо трудности, дайте мне знать в разделе ответов.
Эта статья написана в сотрудничестве с Пиюшем Ингале.
Перед тем, как ты уйдешь
Спасибо за чтение! Если вы хотите связаться со мной, свяжитесь со мной по адресу [email protected] или в моем профиле LinkedIn. Вы можете просмотреть мой профиль Github для различных проектов по науке о данных и руководств по пакетам. Кроме того, не стесняйтесь изучать мой профиль и читать разные мои статьи, связанные с наукой о данных.