比Keras更好用的机器学习“模型包”:0代码上手做模型

本文经AI新媒体量子位(公众号ID:QbitAI)授权转载,转载请联系出处。

做机器学习模型时,只是融合各种算法,就已经用光了脑细胞?

又或者觉得,数据预处理就是在“浪费时间”?

一位毕业于哥廷根大学、做机器学习的小哥也发现了这个问题:原本只是想设计个模型,结果“实现比设计还麻烦”。

于是他自己动手做了个项目igel (德语中意为“刺猬”,但也是Init、Generate、Evaluate Machine Learning的缩写),无需编写任何多余代码,就能设计出想要的模型。

也就是说,用户只需要知道各种机器学习模型的原理,但不需要再自己动手写代码。

相比于Keras,这个项目进一步简化了预处理、输入输出的工作,就像“模型包”一样简便。

作者用了两周的时间,做出了项目的1.0版本,一天以内已有842 Star,目前还在快速上涨中。

由于只是1.0版本,作者表示,这个项目仍然有很大的完善空间。

但就目前的功能来说,已经足够进行基本的机器学习建模了。

“让机器学习生产变得自动化”

作者建立这个项目的初衷,是希望为所有人提供机器学习模型。

无论是技术向工程师、还是非技术向的其他行业用户,都能使用机器模型让自己的工作更简单。

说白了,就是将机器学习变成一个“自动化”的过程,而他也这么设计了。

项目igel包含了当前最新的所有机器学习模型(回归、分类、聚类),而且作者表示,项目还在持续更新中。

也就是说,后续如果还有更新的机器学习模型,也会再加进项目。

模型目前支持的功能有以下几种:

支持所有最新的机器学习模型(甚至是预览模型)

支持不同的数据预处理方法

在编写配置时提供灵活性和数据控制

支持交叉验证

支持yaml和json格式

支持不同的sklearn指标以进行回归,分类和聚类

支持多输出/多目标回归和分类

支持多处理并行模型构建

可以看出,作者为了偷懒让机器学习生产变得更简洁,也是操碎了心。

如果要上手的话,也非常简便。

6步上手“模型包”

与其他程序一样,作者为这个程序提供了“帮助”菜单,只需要输入“igel -h” (或igel -help),就能了解它的使用方法。

学习完使用方法后,就可以开始创建配置文件了,无论是yaml还是json格式,都ok。

如果你是个“懒癌患者” (像作者一样),可以使用“igel init”来初始化。

例如,想做个判断“是否生病”功能的配置文件:

第一步,选择功能、模型、目标:igel init -type “classification” -model “NeuralNetwork” -target “sick”

第二步,初始化:igel init

那么,程序就会给你生成一份配置文件,根据需要进行修改。

在那之后,就是选择具体的算法参数、并提供你所选的数据集了。

例如,想用随机森林处理数据,那么,只需要提供参数给系统(以及数据集、配置文件路径),它就会帮你训练:

此外,还可以对模型/预训练模型进行评估:

感觉不错?生成预测模型:

直接用起来:

简单6步,机器模型(预览模型)就已经生成了,非常方便。

网友:太棒了,想要更多新功能

此外,作者也非常乐意采纳各个网友的意见。

例如,一个网友指出,如果能用交叉验证进行超参数搜索/调整,那么会是个很好的改进,而作者本人也立即采纳了这个建议。

不过,也有网友表示,“让一切程序自动化”是没有意义的。

毕竟作者已经声明,项目是建立在scikit-learn的基础上的。但后者同样几行代码就能做机器学习,那么scikit-learn和这个项目有什么区别?

作者对此回应称,最大的区别在于,相比于编写代码,这个项目旨在以更“可读”的方式设计想做的模型。

有网友认可这样的观点,毕竟对于许多做生产的机器学习工程师来说,“任何不需要做的编程工作”都是没有意义的,是在“浪费时间和金钱”。

对于这个项目,更多的网友表示了支持,并希望看见他的新功能。

对这个机器学习项目感兴趣的小伙伴,可以通过下方传送门查看~

作者介绍

Nidhal Baccouri,于今年4月在德国哥廷根大学取得硕士学位,研究方向是软件、控制工程和人工智能。

目前,Nidhal Baccouri在汽车行业工作,研究方向是数字双胞胎技术,会同时应用人工智能和物联网的知识。业余时间,他喜欢做做项目,尤其是与AI和Python相关的项目。

传送门

相关推荐