Lazypredictを使ってみた

• 製造業出身のデータサイエンティストがお送りする記事
• 今回はLazypredictを使ってみました。

Lazypredictとは

Lazypredictは、AutoMLではないですが複数行のコードで数十のモデルを構築して比較する事が可能なライブラリーです。回帰問題と分類問題に使用する事ができます。
細かい内容はGithubリポジトリを参照して頂けますと幸いです。

Lazypredictの実装

今回もUCI Machine Learning Repositoryで公開されているボストン住宅の価格データを用いて予測モデルを構築します。

最初にライブラリーをインストールしますが、pipで簡単にインストール可能です。

pip install lazypredict

ここから、普通にライブラリーをインポートして行きます。

# ライブラリーのインポート
import os

import pandas as pd
import numpy as np

import seaborn as sns
import matplotlib.pyplot as plt

%matplotlib inline

# ボストンの住宅価格データ
from sklearn.datasets import load_boston

# 前処理
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split

# Lazypredict Regressor
from lazypredict.Supervised import LazyRegressor
import lazypredict

# データセットの読込み
boston = load_boston()

# 説明変数の格納
df = pd.DataFrame(boston.data, columns = boston.feature_names)
# 目的変数の追加
df['MEDV'] = boston.target

# データの中身を確認
df.head()

次にデータセットを分割します（train, valid, test）。

# ランダムシード値
RANDOM_STATE = 10

# 学習データと評価データの割合
TEST_SIZE = 0.2

# 学習データと評価データを作成
x_train, x_test, y_train, y_test = train_test_split(
    df.iloc[:, 0 : df.shape[1] - 1],
    df.iloc[:, df.shape[1] - 1],
    test_size=TEST_SIZE,
    random_state=RANDOM_STATE,
)

次にモデルの学習を行います。

# Lazy Predict（回帰）の設定と実行
reg = LazyRegressor(
    verbose=0,
    ignore_warnings=False,
    custom_metric=None,
    predictions=True,
    random_state=RANDOM_STATE,
)
models, predictions = reg.fit(x_train, x_test, y_train, y_test)

構築したモデルのtestデータに対する評価指標一覧はmodelsに格納されております。

# 検証結果
models

一部だけをアップしますが、下記のようにDataFrame形式で格納されております。

各モデルの予測結果も簡単に確認することができます。

# 予測値
predictions

さいごに

最後まで読んで頂き、ありがとうございました。
今回はLazypredictを使ってみました。
機能的には他のAutoMLライブラリーの方が良いですが、簡単に実装する上では数行で済むため良いなと思いました。

訂正要望がありましたら、ご連絡頂けますと幸いです。