Régression TPOT XGBoost

Packages du système d'exploitation (OS Packages) > Données tabulaires (Tabular Data) > TPOTXGBoostRegression

Ce modèle est un modèle de régression de données tabulaires génériques (valeur numérique uniquement) qui doit être réentraîné avant d'être utilisé pour des prédictions. Il s'appuie sur TPOT pour trouver automatiquement le meilleur modèle.

TPOT est un outil d'apprentissage automatique Python qui optimise les pipelines d'apprentissage automatique à l'aide de la programmation génétique. TPOT automatise la partie la plus fastidieuse de l'apprentissage automatique en explorant intelligemment des milliers de pipelines possibles pour trouver celui qui convient le mieux à vos données. Une fois que TPOT a terminé la recherche (ou que vous en avez assez d'attendre), il vous fournit le code Python du meilleur pipeline qu'il a trouvé afin que vous puissiez commencer à ajuster le pipeline. TPOT est construit sur scikit-learn, donc tout le code qu'il génère devrait sembler familier aux utilisateurs de scikit-learn.

Cette version de TPOT utilise uniquement XGBoost et l'ensemble standard de méthodes de prétraitement pour optimiser un pipeline d'apprentissage automatique.

Détails du modèle

Type d'entrée

JSON

Description de l'entrée

Fonctionnalités utilisées par le modèle pour faire des prédictions. Par exemple : { « Feature1 » : 12, « Feature2 » : 222, ..., « FeatureN » : 110}

Description de la sortie

JSON avec liste de prédictions

Exemple :

{ "predictions" : "[12, 12, 2, 354, 12, 2] }

Pipelines

Les trois types de pipelines (complet, entraînement et évaluation) sont pris en charge par ce package.

Format d'ensemble de données

Ce paquet ML recherchera les fichiers csv dans votre ensemble de données (pas dans les sous-répertoires)

Les fichiers csv doivent suivre ces deux règles :

• la première ligne des données doit contenir les noms d'en-tête et des colonnes.
• toutes les colonnes doivent être numériques (int, float). Le modèle n'est pas en mesure d'effectuer un encodage de fonctionnalités, mais il est capable d'effectuer un encodage de cible. Si l'encodage de cible est effectué par le modèle à l'heure de prévision, le modèle renvoie également le libellé de la variable cible.

Variables de l'environnement

• train_time : temps d'exécution du pipeline (en minutes). Plus le temps d'apprentissage est long, meilleures sont les chances que TPOT trouve un bon modèle. (par défaut : 2)
• target_column : nom de la colonne cible (par défaut : "target")
• scoring : TPOT utilise sklearn.model_selection.cross_val_score pour évaluer les pipelines, et en tant que tel offre le même support pour les fonctions de scoring (par défaut : « exactitude »). Il utilise les métriques de notation scikit-learn standard (https://scikit-learn.org/stable/modules/model_evaluation.html)
• keep_training : les exécutions TPOT typiques prendront des heures, voire des jours, pour se terminer (sauf s'il s'agit d'un petit ensemble de données), mais vous pouvez toujours interrompre l'exécution à mi-chemin et consulter les meilleurs résultats trouvés jusqu'ici. Si keep_training est défini sur True, TPOT continuera l'entraînement là où il l'avait laissé

Remarque : si la colonne cible de votre fichier est différente de la valeur par défaut ( target ), vous devez mettre à jour la variable d'environnement target_column manuellement. Vous pouvez le faire dans la fenêtre Créer une nouvelle exécution de pipeline ( Create new pipeline run ) en cliquant sur le bouton + Ajouter un nouveau dans la section Saisir les paramètres . Dans le champ Variable d'environnement, ajoutez la variable (colonne_cible) et dans le champ Valeur , ajoutez le nom de la colonne de votre fichier. Lorsque vous avez terminé, cliquez sur le symbole.

Artefacts

TPOT exporte le code Python correspondant pour le pipeline optimisé vers un fichier python appelé « TPOT_pipeline.py ». Une fois l'exécution du code terminée, « TPOT_pipeline.py » contiendra le code Python pour le pipeline optimisé.

Papier

Le modèle est basé sur deux publications :

• « Mise à l’échelle de l’apprentissage automatique automatisé basé sur l’arborescence vers le Big Data biomédical avec un sélecteur d’ensemble de fonctionnalités. » de Trang T. Le, Weixuan Fu et Jason H. Moore (2020)
• "Evaluation of a Tree-based Pipeline Optimization Tool for Automating Data Science." de Randal S. Olson, Nathan Bartley, Ryan J. Urbanowicz et Jason H. Moore