%20(2).svg)
项目简介
ModelEase是一个Python包，致力于简化机器学习模型的开发与部署流程。通过提供高级抽象化的API，它让创建数据集、训练模型、进行预测以及评估模型性能变得简单，大幅降低了学习成本和代码编写量，适合机器学习初学者、编程基础薄弱的使用者以及需要快速开发简单机器学习模型的开发者。
项目的主要特性和功能
主要功能
- 数据集管理：可依据给定的数据集、特征列和目标列来创建数据集。
- 模型训练与评估：能创建、定义、训练和评估模型；支持贝叶斯、决策树、KNN、随机森林、AdaBoost、SVM等多种模型；可一键评估模型效果，涵盖准确率、精确率、召回率、F1值、混淆矩阵和ROC曲线；还能一键对比不同模型的性能，包括训练耗时、预测耗时、准确率、精确率、召回率和F1值。
亮点
- 拥有统一且简洁的API，简化了机器学习模型的开发流程。
- 封装便于快速部署且易于使用，降低了使用门槛，适合初学者和非计算机专业人士。
- 可一键评估和对比模型性能，方便用户快速了解和选择最佳模型。
安装使用步骤
安装
本包尚未发布到PyPI，可通过以下命令安装：
bash
pip install -i https://test.pypi.org/simple/ ModelEase
使用示例
数据准备
使用前需准备好数据并完成预处理： ```python import src.ModelEase as me import pandas as pd
data = pd.read_csv('tests//iris.csv') data.fillna(data.mean(numeric_only=True), inplace=True) ```
创建数据集
创建数据集前，要先定义特征列和目标列：
python
features = [0, 1, 2, 3]
target = 4
dataset = me.dataSet.data_set(data, features, target, random_state=37, test_size=0.25, make=True, name='iris')
创建并训练模型
以贝叶斯模型为例：
python
Bayes = me.model.CNBayes(dataset, name='贝叶斯')
Bayes.best_params_search()
Bayes.train_best_params()
Bayes.predict()
Bayes.evaluate(roc=False)
Bayes.roc()
对比模型性能
使用me.model.comparison()函数查看并对比模型：
python
print(me.model.comparison())
print(me.model.comparison(Bayes, Tree))
注意事项
- 指定参数进行模型训练时，需先定义模型再训练。
- 每次注册模型时，要使用不同的
name参数，避免混淆。 - 指定参数展示模型时，只会展示后注册的同名模型。
下载地址
点击下载 【提取码: 4003】【解压密码: www.makuang.net】