1、

它是一个开源的框架，能够自动为机器学习模型找到最佳超参数。

最基本的替代方案或许是广为人知的那种。它会尝试诸多超参数的组合，并且会依据交叉验证来挑选出最佳的组合。

会在之前定义的空间内进行尝试组合。比如对于随机森林分类器，或许想要对几个不同树的最大深度进行测试。会给出每个超参数的所有可能值，并且会查看所有的组合情况。

在定义的搜索空间中，它会利用自身尝试的历史来确定接下来要尝试的值。它所使用的方法是一种被称作“Tree-”的贝叶斯优化算法。

这种不同的方法意味着它并非随意地尝试每一个值，而是在尝试之前先去寻找最佳候选者。这样做能够节省时间，要是不这样做，这些时间就会花费在尝试那些没有希望的替代品上，并且还可能会产生更好的结果。

它与框架无关。这表明您能够将它和 、、 或者任何其他的 ML 框架一同使用。

2、

它是一个特征选择库，能够为 ML 模型进行特征选择。观察值越少，就越要谨慎对待过多的特征，避免过度拟合。“谨慎”意味着要规范模型。通常，更简单的模型（特征更少），更易于理解和解释。

算法有 6 个不同的类别。其中包括监督过滤器。还有无监督过滤器。有包装器。有混合。有嵌入式。有集成。并且它主要关注监督过滤器。

“监督过滤器”算法有一个简单示例，即依据特征与目标变量的相关性去选择特征。并且，我们可以尝试逐个将特征删除，然后确认这些被删除的特征对模型预测能力会产生怎样的影响。

这是一个关于如何使用 及其对模型分数的影响的普通示例：

>>> from sklearn.[id_1035109222]import[id_102916472]
>>> from ITMO_FS.embedded import MOS 
 
>>>[id_2103723008], y = make_classification(n_samples=300, n_features=10, random_state=0, n_informative=2) 
>>> sel = MOS() 
>>> trX = sel.fit_transform(X, y, smote=False) 
 
>>> cl1 = SGDClassifier() 
>>> cl1.fit(X, y) 
>>> cl1.score(X, y) 
0.9033333333333333 
 
>>> cl2 = SGDClassifier() 
>>> cl2.fit(trX, y) 
>>> cl2.score(trX, y) 
0.9433333333333334

它是一个相对较新的库，所以目前还不是很稳定，不过我依然建议你去尝试一下。

3、Shap-

我们目前已经看到了用于特征选择的库，也看到了用于超参数调整的库。那么，为什么不能同时使用这两者呢？这就是 shap- 的作用所在。

让我们从了解什么是“SHAP”开始：

SHAP 是一种能够用来解释任何机器学习模型输出的方法，它属于博弈论范畴。

SHAP 是被广泛使用来解释模型的库之一。它通过产生每个特征对于模型最终预测的重要性来开展工作。

一方面，shap 借助这种方法去挑选最佳特征，并且也会挑选最佳超参数。之所以要将其合并，是因为未考虑它们之间的相互作用，倘若独立地选择特征和调整超参数，可能会做出次优的选择。而同时进行这两项操作，既能顾及到这一点，又能节省一些编码时间，不过由于搜索空间的增大，可能会使运行时间有所增加。

搜索有 3 种完成方式，分别是网格搜索、随机搜索和贝叶斯搜索。并且，搜索可以进行并行化。然而，shap-只适用于梯度提升模型。

4、

它是一个开源且低代码的机器学习库，能够自动执行机器学习的工作流程。此库涵盖了探索性数据分析、数据预处理、建模（其中包含可解释性）以及其他相关方面。

让我们看看他们网站上的一些实际示例，看看它是如何工作的：

# load dataset 
from pycaret.datasets import get_data 
diabetes = get_data('diabetes') 
 
# init setup 
from pycaret.classification import * 
clf1 = setup(data = diabetes, target = 'Class variable') 
 
# compare models 
best = compare_models()

几行代码就能尝试多个模型，并且这些模型在整个主要分类指标中被进行了比较。

它还允许创建一个基本的应用程序来与模型进行交互：

from pycaret.datasets import get_data 
juice = get_data('juice') 
from pycaret.classification import * 
exp_name = setup(data = juice,  target = 'Purchase') 
lr = create_model('lr') 
create_app(lr)

最后，可以轻松地为模型创建 API 和 文件：

from pycaret.datasets import get_data 
juice = get_data('juice') 
from pycaret.classification import * 
exp_name = setup(data = juice,  target = 'Purchase') 
lr = create_model('lr') 
create_api(lr, 'lr_api') 
create_docker('lr_api')

没有比这更容易的了，对吧？

这是一个极为完整的库，在这里难以将所有内容都涵盖其中。建议你当下就下载并开始使用它，以此来了解它在实践中的一些能力。

5、

能够从流数据集中制作出桑基图。倘若你不了解桑基图是什么，那么这里有一个示例：

在展示转化漏斗、营销旅程或者预算分配的数据时，这些数据是很有用的（以上例子）。入口数据需要采用这样的格式：“源 x 目标 x 值”，仅仅用一行代码就能够创建出这样的图（非常具体且非常直观）。

6、

如果你阅读过敏捷数据科学，就会明白拥有一个前端界面是很有帮助的，这个界面能让最终用户从项目开始就与数据进行交互。通常在其中最常用的是某种方式，但它对初学者不太友好，因为它需要多个文件以及一些 html、css 等方面的知识。

您可以通过设置输入类型，比如文本、复选框等，以及设置功能和输出，从而创建简单的界面。它虽然看起来不如可定制，但却更为直观。

现在已经加入了，能够在互联网上进行永久托管，并且是免费的。

7、

理解的最佳方式是把它当作“某种情况，但速度更快”。这不是说要完全替换某个东西并且必须重新学习如何使用 df，因为某个东西与另一个东西具有完全相同的语法。实际上，他们甚至建议“将其视为 pd”，并且继续按照之前习惯的方式进行编码。它快多少呢？他们的网站有时说它快 30 倍，有时快 10 到 100 倍。

另一个重要的方面是能够并行化并且不在本地运行。这就意味着您的 8GB RAM 笔记本电脑将不会再遇到相关问题。

它背后是如何运作的呢？一个很好理解的比喻是，他们在本地使用兼容的语法，并将其编译成计算操作，然后利用这些操作进行后端的计算。也就是说，计算并非在本地运行，而是被提交到了他们的平台上。

有什么问题呢？每月免费处理的数据最多为 1TB。若需要更多数据，就必须每月至少支付 49 美元。1TB 每月对于测试工具和个人项目来说或许是足够的，但要是用于实际公司使用，肯定需要付费。

8、-

如果你是的使用者，可以试试这个库。

它是一个辅助框架。能将繁琐且重复的训练代码进行抽象。这样数据科学家们就可以把精力集中在数据处理、创建模型以及参数优化上，而无需编写重复的训练循环代码。使用该框架，能让你的代码更简洁易读，让你的开发任务更高效。

对训练和推理过程进行了抽象整理与提取，仅需使用几行代码便能实现深度学习管道，并且能够生成完整的训练报告，同时还可以进行集成可视化。

from collections import OrderedDict 
import torch 
from torchhandle.workflow import BaseConpython 
 
 
class Net(torch.nn.Module): 
    def __init__(self, ): 
        super().__init__() 
        self.layer = torch.nn.Sequential(OrderedDict([ 
            ('l1', torch.nn.Linear(10, 20)), 
            ('a1', torch.nn.ReLU()), 
            ('l2', torch.nn.Linear(20, 10)), 
            ('a2', torch.nn.ReLU()), 
            ('l3', torch.nn.Linear(10, 1)) 
        ])) 
 
    def forward(self, x): 
        x = self.layer(x) 
        return x 
 
num_samples, num_features = int(1e4), int(1e1) 
X, Y = torch.rand(num_samples, num_features), torch.rand(num_samples) 
dataset = torch.utils.data.TensorDataset(X, Y) 
trn_loader = torch.utils.data.DataLoader(dataset, batch_size=64, num_workers=0, shuffle=True) 
loaders = {"train": trn_loader, "valid": trn_loader} 
device = 'cuda' if torch.cuda.is_available() else 'cpu' 
 
model = {"fn": Net} 
criterion = {"fn": torch.nn.MSELoss} 
optimizer = {"fn": torch.optim.Adam, 
             "args": {"lr": 0.1}, 
             "params": {"layer.l1.weight": {"lr": 0.01}, 
                        "layer.l1.bias": {"lr": 0.02}} 
             } 
scheduler = {"fn": torch.optim.lr_scheduler.StepLR, 
             "args": {"step_size": 2, "gamma": 0.9} 
             } 
 
c = BaseConpython(model=model, 
                criterion=criterion, 
                optimizer=optimizer, 
                scheduler=scheduler, 
                conpython_tag="ex01") 
train = c.make_train_session(device, dataloader=loaders) 
train.train(epochs=10)

定义一个模型，接着设置数据集，然后配置优化器以及损失函数，这样就能够自动进行训练了，这是否和 TF 差不多呢？

关于学习指南

学好的话，无论是用于就业还是做副业赚钱都很不错。不过，要学会的话，还是需要制定一个学习规划。最后，给大家分享一份完整的学习资料，希望能给那些想要学习的小伙伴们提供一些帮助。

包含激活码与安装包，还有 web 开发、爬虫、数据分析、人工智能以及自动化办公等方面的学习教程。能引领你从毫无基础开始，进行系统性的学习并掌握！

所有方向的学习路线

常用的技术点会被整理，形成各个领域的知识点汇总，这就是所有方向路线的内容。它的用处在于，你能够依据上面的知识点去寻找对应的学习资源，从而确保自己学得较为全面。（全套教程文末领取）

学习视频600合集

观看零基础学习视频，视频学习是快捷且有效果的方式。跟着视频中老师的思路，从基础开始逐渐深入，是很容易入门的。

温馨提示：因篇幅有限，已将相关内容打包成文件夹。获取该文件夹的方式位于文末的一个实战练手案例及源码处。

光学理论本身并无实际用处，需要学会动手去敲代码，进行实际操作，这样才能把所学知识运用到实际中。在这个过程中，可以找一些实战案例来进行学习。

大厂面试资料

我们学习的目的必然是找到高薪工作。这些面试题来自阿里、腾讯、字节等一线互联网大厂，且是最新的面试资料。同时，有阿里大佬给出了权威解答。刷完这一套面试资料后，大家相信都能找到满意的工作。

副业兼职路线&方法

学好的话，无论是用于就业还是开展副业赚钱，都很不错。然而，要学会兼职接单，还是需要制定一个学习规划。

这份完整版的全套学习资料已经被上传了。朋友们要是需要的话，就可以扫描下方 CSDN 官方认证的二维码，或者点击链接来免费领取，并且保证是 100%免费的。

点击即可免费领取《CSDN 大礼包》，这里包含入门到进阶的资料，还有实战源码以及兼职接单的方法，是安全链接，可免费领取。