低代码的器学习工具( 二 ) 具有PyCaret

该数据集可以在UCI机器学习存储库中找到，我正在使用以下Python代码以CSV文件的形式下载。
url_datahttp://kandian.youth.cn/index/= ''column_names = ['age', 'workclass', 'fnlwgt', 'education', 'educational-num','marital-status','occupation', 'relationship', 'race', 'gender','capital-gain', 'capital-loss','hours-per-week', 'native-country','income']adults_data = http://kandian.youth.cn/index/pd.read_csv(url_data, names=column_names)adults_data.to_csv('adults_data.csv')这是一个脚本，用于下载数据并导出为CSV文件。
如果您还没有Google Cloud Platform（GCP）帐户，则可以在此处创建一个。最初注册时，您将获得$ 300的免费信用额度，足以试用以下示例。
进入GCP后，从下拉菜单导航至BigQuery网络用户界面。如果您是第一次使用GCP ，则需要创建一个项目并使用BigQuery进行设置。Google快速入门指南在此处提供了很好的概述。
我先前下载的CSV文件可以直接上传到GCP中以创建表格。
文章插图
> Image by Author.
您可以通过单击边栏中的表名称并选择预览来检查表中的数据。现在，成人的数据就是BigQuery中的数据。
文章插图
> Image by Author.
要针对这些数据训练模型，我们只需编写一个SQL查询，该查询从表中选择所有内容（*），将目标变量（收入）重命名为label ，并添加逻辑以创建名为" adults_log_reg"的逻辑回归模型。
有关所有模型选项，请参见此处的文档。
CREATE MODEL `mydata.adults_log_reg`OPTIONS(model_type='logistic_reg') ASSELECT *,ad.income AS labelFROM`mydata.adults_data` ad如果我们单击现在将出现在数据表旁边的侧栏中的模型，则可以看到对训练效果的评估。
文章插图
> Image by Author.
现在我们可以使用模型使用ML.PREDICT函数进行预测。
Fastai众所周知，诸如Tensorflow之类的流行深度学习框架具有陡峭的学习曲线，对于初学者或非数据科学家而言，可能很难起步并运行它。fastai库提供了一个高级API ，使您可以用几行简单的代码来训练神经网络。
Fastai与Pytorch一起使用，因此您需要先安装这两个库，然后才能使用它。
pip install pytorch
pip install fastai
fastai库具有用于处理结构化数据和非结构化数据（例如文本或图像）的模块。在本教程中，我们将使用fastai.tabular.all模块来解决我们之前使用的葡萄酒数据集的分类任务。
类似于PyCaret ， fastai将通过嵌入层对非数字数据类型执行预处理。为了准备数据，我们使用TabularDataLoaders帮助器函数。在这里，我们具体说明了数据框的名称，列的数据类型以及我们要模型执行的预处理步骤。
要训练神经网络，我们只需使用tabular_learner（）函数，如下所示。
dl = TabularDataLoaders.from_df(data, y_names="type",cat_names = ['quality'],cont_names = ['fixed acidity', 'volatile acidity','citric acid', 'residual sugar','chlorides', 'free sulfur dioxide','total sulfur dioxide', 'density','pH', 'sulphates', 'alcohol'],procs = [Categorify, FillMissing, Normalize])运行此代码后，将显示性能指标。
文章插图
> Image by Author.
要使用模型进行预测，您可以简单地使用learning.predict（df.iloc [0]）。
探索fastai库的更多信息，请参见此处的文档。
谢谢阅读！
【低代码的器学习工具】(本文翻译自Rebecca Vickery的文章《Low Effort Machine Learning Tools》，参考：)