tpot(tpo原则什么意思)

什么是自动机器学习？

自动机器学习(Automatic machine learning)是机器学习的一个发展中的领域，它的目标与超启发式(hyper-heuristics)相似:自动为特定任务推荐优化的管道、算法或适当的参数，而不过度依赖用户的知识。

什么是机器学习分类管道？

通常，在运行机器学习算法时，会涉及一系列任务，包括预处理、特征提取、模型拟合和验证。例如，对文本文档进行分类可能涉及文本清理、特征提取以及使用交叉验证来训练分类模型。分类管道被定义为将属于给定机器学习数据集的实例分类到一组预定义类别中所需执行的任务序列。

TPOT-基于树的管道优化工具，用于自动化机器学习

TPOT是一个Python自动机器学习工具，它使用遗传编程来优化机器学习管道。TPOT将通过智能地探索成千上万条可能的管道来找到最佳数据，从而自动化机器学习中最麻烦的部分。

一旦TPOT完成搜索，它将为您提供最佳管道系统的Python代码。

在这个图中，每个圆圈对应一个机器学习算子，箭头表示数据流的方向。

使用TPOT

进口TPOT:

从TPOT导入TPOTClassifier来创建一个tpot实例:

pipeline _ optimizer = tpot classifier()自定义tpot参数可能如下所示:

Pipeline _ optimizer = TPOT分类器(generations = 5，population _ size = 20，CV = 5，random _ state = 42，verbosity = 2)现在，TPOT准备优化管道。

Pipeline _ optimizer.fit (x _ train，y _ train)使用score函数来评估测试集上的最终管道:

print(pipeline _ optimizer . score(x _ test，y _ test))最后，为优化后的管道导出相应的Python代码:

pipeline _ optimizer . export(' TPOT _导出_管道. py ')以下Python代码说明了如何使用TPOT对波士顿房价数据集执行回归任务。

from tpot import TPOTRegressorfrom sklearn.datasets import load_bostonfrom sklearn.model_selection import train_test_splithousing = load_boston()X_train, X_test, y_train, y_test = train_test_split(housing.data, housing.target, train_size=0.75, test_size=0.25)tpot = TPOTRegressor(generations=5, population_size=50, verbosity=2)tpot.fit(X_train, y_train)print(tpot.score(X_test, y_test))tpot.export(‘tpot_boston_pipeline.py’)

从tpot导入TPOTRegressorfrom sk learn . datasets导入load _ Boston from sk learn . model _ selection导入train _ test _ split housing = load _ Boston()X _ train，X_test，y_train，y _ test = train _ test _ split(housing . data，housing.target，train_size=0.75，test _ size = 0.25)tpot = TPOTRegressor(generations = 5，population_size=50，verbosity=2)tpot.fit(X_train，y_train)print(tpot

运行此代码应该会发现，管道(导出为tpot_boston_pipeline.py)在测试集上的均方误差(MSE)至少为10: