Find N3入網：最高支持16+1TB
OPPO將于近期登場的Find N3折疊屏目前已經正式入網，型號為PHN110。本次Find N3在外觀方面相比前兩代有很大的變化，不再是小號的橫向折疊屏，而是跟別的廠商一樣采用了較為常見的
譯者 | 朱先忠
審校 | 梁策 孫淑娟
AutoML簡介
自動機器學習(AutoML)能夠自動運行各種機器學習過程，并優化錯誤度量以生成最佳模型。這些過程包括數據預處理、編碼、縮放、優化超參數、模型訓練、生成制品和結果列表。自動化機器學習過程可以快速開發人工智能解決方案，讓用戶體驗變得友好，并通常以低代碼即可生成準確結果。
目前市場上流行的一些著名AutoML庫包括：
LightAutoMLMLJarEvalMLFLAMLPyCaretAutoGluonH2O 3
在這篇教程中，我們將使用美國1994年人口普查時的收入數據來預測一個人的年收入是否超過5萬美元。這是一個經典的二分類問題，我們將在CC0公共域許可下使用Kaggle成人普查收入數據集進行預測。該數據由美國硅圖公司(SGI，Silicon Graphics)數據挖掘和可視化部門的羅尼·克哈伊(Ronny Kohavi)和巴里·貝克爾(Barry Becker)從美國1994年人口普查局數據庫中提供。但是，我們這里不去深入研究數據分析或模型工作方式，只是僅用幾行代碼來構建一個優化的機器學習模型，并使用FastAPI服務器對該模型進行訪問。
AutoXGB項目簡介
AutoXGB是一個開源、簡單、有效的AutoML輔助開發工具，可以直接從CSV文件中訓練模型表格數據集。AutoXGB使用XGBoost(優化的分布式梯度增強庫)來訓練模型，使用Optuna(為機器學習、深度學習特別設計的自動超參數優化框架)進行超參數優化，并使用基于Python的FastAPI框架并以API的形式提供模型推理。
下面讓我們從安裝AutoXGB開始介紹。如果在運行服務器時遇到錯誤，請確保預先已正確安裝了FastAPI框架和unvicorn服務器程序。安裝AutoXGB的命令如下：
pip install autoxgb
初始化
接下來，我們將深入介紹AutoXGB函數的特征，以及如何使用與之相關的各項參數來改進計算結果或減少訓練時間。AutoXGB函數的各項參數含義說明如下：
train_filename：訓練數據所在的路徑。output：存儲工件的輸出文件夾的路徑。test_filename：測試數據所在路徑。如果未指定，則僅保存折外預測(out-of-fold predictions，簡稱“OOF預測”)數據。task：如果未指定該參數值，系統將自動推斷其值。此參數有兩個取值：
1."classification"
2."regression"
idx：如果未指定該參數值，系統將自動使用名稱id生成 id列。targets：如果未指定該參數值，則假定目標列被命名為目標(target)，并將該問題視為一個二分類、多類分類或單列回歸三種問題之一。此參數可以使用如下兩種取值：
1.["target"]
2.["target1", "target2"]
features：如果未指定該參數值， 除去id、targets和kfold列外的所有列都會被使用。指定值方式例如：
1.features = ["col1", "col2"]
categorical_features：如果未指定該參數值，將自動推斷分類列。指定值方式例如：
1.categorical_features = ["col1", "col2"]
use_gpu：如果未指定該參數值，將不啟用GPU計算功能。指定值方式例如：
1.use_gpu = True
2.use_gpu = False
num_folds：用來進行交叉驗證的折(fold)的個數。seed：隨機種子的重復性。num_trials：運行的Optuna試驗次數;默認值為1000。time_limit：以秒計量的optuna試驗時限。
1.如果未指定，將運行所有試驗。此時(默認)有time_limit = None。
fast：如果fast參數值設置為True，超參數調整將只使用一次，從而減少優化時間。之后，將在折(fold)的其余部分進行訓練，并生成OOF和測試預測。
在我們的測試項目中，除了參數train_filename、output、target、num_folds、seed、num_trails和time_limit之外，我們將大多數參數的值設置為默認值。項目中各參數的完整設置情況，如下所示：
from autoxgb import AutoXGB
train_filename = "binary_classification.csv"
output = "output"
test_filename = None
task = None
idx = None
targets = ["income"]
features = None
categorical_features = None
use_gpu = False
num_folds = 5
seed = 42
num_trials = 100
time_limit = 360
fast = False
訓練與優化
現在，我們可以使用AutoXGB函數定義模型，并將之前定義的參數添加到模型中。最后，我們將調用axgb.train()函數開始訓練過程。此時，將運行XGBoost和Optuna，并輸出各種制品(包括模型、預測、結果、配置、參數、編碼器等)。
axgb = AutoXGB(
train_filename=train_filename,
output=output,
test_filename=test_filename,
task=task,
idx=idx,
targets=targets,
features=features,
categorical_features=categorical_features,
use_gpu=use_gpu,
num_folds=num_folds,
seed=seed,
num_trials=num_trials,
time_limit=time_limit,
fast=fast,
)
axgb.train()
訓練過程耗時10-12分鐘，我們可以看到下面的最佳訓練結果，并可以通過增加時間限制來提高F1分數。此外，我們還可以使用其他超參數來提高模型性能。
2022-02-09 18:11:27.163 | INFO | autoxgb.utils:predict_model:336 - Metrics: {'auc': 0.851585935958628, 'logloss': 0.3868651767621002, 'f1': 0.5351485750859325, 'accuracy': 0.8230396087432015, 'precision': 0.7282822005864846, 'recall': 0.42303153575005525}
使用CLI命令行進行訓練
為了使用bash終端方式進行模型訓練，我們可以使用命令autoxgb train。此時，我們將只需設置train_filename和output兩個參數即可。其中，參數train_filename用于確定訓練的二分類文件名，而參數output用于指出輸出文件夾位置。命令如下：
autoxgb train
--train_filename binary_classification.csv
--output output
Web API
通過在終端中運行autoxgb 服務的方式，我們可以在本地運行FastAPI服務器。
AutoXGB服務參數model_path：指向模型文件的路徑。在本文測試中，指向輸出文件夾。Port：服務器主機運行的端口號，值為8080。host：運行的服務器主機，IP地址是：0.0.0.0。workers：工作線程數或同時請求的數量。debug：顯示錯誤和成功的日志。在Deepnote云服務器上運行
為了在云上運行服務器，Deepnote使用ngrok創建了一個公共URL。我們只需要啟用該選項并使用8080端口即可。當然，如果您在本地運行，則無需此步，直接使用地址“http://0.0.0.0:8080”即可。
我們提供了運行服務器的模型路徑、主機ip和端口號。
!autoxgb serve --model_path /work/output --host 0.0.0.0 --port 8080 --debug
結果顯示，我們的API運行平穩。您可以使用網址https://8d3ae411-c6bc-4cad-8a14-732f8e3f13b7.deepnoteproject.com來觀察相應的結果數據。
INFO: Will watch for changes in these directories: ['/work']
INFO: Uvicorn running on http://0.0.0.0:8080 (Press CTRL+C to quit)
INFO: Started reloader process [153] using watchgod
INFO: Started server process [163]
INFO: Waiting for application startup.
INFO: Application startup complete.
INFO: 172.3.161.55:40628 - "GET /docs HTTP/1.1" 200 OK
INFO: 172.3.188.123:38788 - "GET /openapi.json HTTP/1.1" 200 OK
INFO: 172.3.167.43:48326 - "GET /docs HTTP/1.1" 200 OK
INFO: 172.3.161.55:47018 - "GET /openapi.json HTTP/1.1" 200 OK
預測
我們可以添加隨機輸入來預測某人的收入是否超過5萬美元。在本例中，我們使用FastAPI/docs選項訪問用戶界面。
輸入數據
我們使用FastAPI GUI來運行模型預測，這可以通過在服務器地址末尾添加/docs實現，例如“172.3.167.43:39118/docs”。本文項目中輸入的其他測試數據如下：
workclass："Private"education："HS-grad"marital.status："Widowed"occupation："Transport-moving"relationship："Unmarried"race："White"sex："Male"native.country："United-States"age：20fnlwgt：313986education.num：9capital.gain：0capital.loss：0hours.per.week：40
測試結果
實驗的結果是：小于5萬美元的置信度為97.6%，而大于5萬美元的置信度為2.3%。
使用Request庫進行測試
你還可以借助Python中的requests庫來測試API。這一步很簡單，你只需以字典的形式推送參數，然后就可以通過JSON格式獲得輸出結果。
import requests
params = {
"workclass": "Private",
"education": "HS-grad",
"marital.status": "Widowed",
"occupation": "Transport-moving",
"relationship": "Unmarried",
"race": "White",
"sex": "Male",
"native.country": "United-States",
"age": 20,
"fnlwgt": 313986,
"education.num": 9,
"capital.gain": 0,
"capital.loss": 0,
"hours.per.week": 40,
}
article = requests.post(
f"https://8d3ae411-c6bc-4cad-8a14-732f8e3f13b7.deepnoteproject.com/predict",
json=params,
)
data_dict = article.json()
print(data_dict)
## {'id': 0, '<=50K': 0.9762147068977356, '>50K': 0.023785298690199852}
有關項目源碼
如果對本文項目的完整代碼及有關示例感興趣，請訪問下面幾個鏈接：
DeepnoteGitHubDAGsHub結論
我本人曾借助AutoXGB并使用AutoML在Kaggle競賽中獲得過優異成績，并為一些機器學習項目開發過一個基礎模型。在整個機器學習過程中，有時結果可以快速而準確的獲得，但如果想要創建最先進的解決方案，則需要手動嘗試各種機器學習過程。
本教程帶我們學習了AutoXGB的各種功能，現在我們可以使用AutoXGB預處理數據，訓練XGboost模型，使用Optuna優化模型，以及FastAPI運行Web服務器。簡而言之，AutoXGB能夠為日常表格數據問題提供端到端的解決方案。
譯者介紹
朱先忠，51CTO社區編輯，51CTO專家博客、講師，濰坊一所高校計算機教師，自由編程界老兵一枚。早期專注各種微軟技術(編著成ASP.NET AJX、Cocos 2d-X相關三本技術圖書)，近十多年投身于開源世界(熟悉流行全棧Web開發技術)，了解基于OneNet/AliOS+Arduino/ESP32/樹莓派等物聯網開發技術與Scala+Hadoop+Spark+Flink等大數據開發技術。
原文標題：No Brainer AutoML with AutoXGB，作者：Abid Ali Awan
本文鏈接：http://m.www897cc.com/showinfo-119-2254-0.html用開源項目AutoXGB助力AutoML開發，實現幾行代碼構建應用API 譯文
聲明：本網頁內容旨在傳播知識，若有侵權等問題請及時與本網聯系，我們將在第一時間刪除處理。郵件：2376512515@qq.com
上一篇： 數據分析的12個神話被揭穿！
Copyright ? 2016-2023 天津谷騏科技有限公司 版權所有 sitemap.xml
違法及侵權請聯系：2376512515@qq.com 津ICP備18001702號
津公網安備 12010102000574號