Compare algoritmos de aprendizaje automático en una sola línea de código: LazyPredict

Antes de pasar a la implementación de LazyPredict, es útil conocer algunos enlaces útiles;

LazyPredict Documentos: https://lazypredict.readthedocs.io/en/latest/index.html

LazyPredict Github: https://github.com/shankarpandala/lazypredict

LazyPredict PyPI: https://pypi.org/project/lazypredict/

Donde chocan dos gigantes: la intersección de la PNL y la inteligencia artificial

LazyPredict Conda: https://anaconda.org/conda-forge/lazypredict

Creo que la sección Uso en la documentación se explica por sí misma, por lo que si observa el código a continuación, puede ver lo fácil que es usar esta excelente biblioteca.

Clasificación

# Import Libraries
import lazypredict
from lazypredict.Supervised import LazyClassifier
from sklearn.datasets import load_breast_cancer
from sklearn.model_selection import train_test_split
# Load Dataset
data = load_breast_cancer()
X = data.data
y= data.target
# Train/Test Split
X_train, X_test, y_train, y_test = train_test_split(X, y,test_size=.2,random_state =42)
También te puede interesarLavita AI apoya el taller de procesamiento clínico del lenguaje natural en la conferencia ACL 2023
# Apply LazyClassifier
clf = LazyClassifier(verbose=0,ignore_warnings=True, custom_metric=None)
models_train,predictions_train = clf.fit(X_train, X_train, y_train, y_train)
# Uncomment for test data 
#models_test,predictions_test = clf.fit(X_train, X_test, y_train, y_test)
# Prints the model performance
models_train

Regresión

# Import libraries
from lazypredict.Supervised import LazyRegressor
from sklearn import datasets
from sklearn.utils import shuffle
import numpy as np
import pandas as pd
# Load dataset
También te puede interesarCreación de un resumen de texto extractivo con GUI usando Python y NLTK
data_url = "http://lib.stat.cmu.edu/datasets/boston"
raw_df = pd.read_csv(data_url, sep="\s+", skiprows=22, header=None)
data = np.hstack([raw_df.values[::2, :], raw_df.values[1::2, :2]])
target = raw_df.values[1::2, 2]
# Data split
X_train, X_test, y_train, y_test = train_test_split(data, target,test_size=.2,random_state =42)
# Defines and builds the LazyRegressor
reg = LazyRegressor(verbose=0,ignore_warnings=False, custom_metric=None)
models_train,predictions_train = reg.fit(X_train, X_train, y_train, y_train)
# Uncomment for test data
#models_test,predictions_test = reg.fit(X_train, X_test, y_train, y_test)
También te puede interesarDefensibilidad en aplicaciones de IA
# Prints the model performance
models_train

Look bonito para modelos

import matplotlib.pyplot as plt
import seaborn as sns
# depends on classification/regression models and metrics
model=models_train
metric="Accuracy"
plt.figure(figsize=(10, 5))
sns.set_theme(style="whitegrid")
ax = sns.barplot(x=model.index, y=metric, data=model)
plt.xticks(rotation=90)
plt.show()