一行代碼不用寫，就可以訓練、測試和使用模型，還有這樣的好事?

最近，軟件工程師 Nidhal Baccouri 就在 GitHub 上開源了一個這樣的機器學習工具——igel，并登上了 GitHub 熱榜。目前，該項目 star 量已有 1.5k。

[[344908]]

項目地址：https://github.com/nidhaloff/igel

該項目旨在為每一個人(包括技術和非技術人員)提供使用機器學習的便捷方式。

項目作者這樣描述創建 igel 的動機：「有時候我需要一個用來快速創建機器學習原型的工具，不管是進行概念驗證還是創建快速 draft 模型。我發現自己經常為寫樣板代碼或思考如何開始而犯愁。于是我決定創建 igel?！?/p>

igel 基于 scikit-learn 構建，支持 sklearn 的所有機器學習功能，如回歸、分類和聚類。用戶無需編寫一行代碼即可使用機器學習模型，只要有 yaml 或 json 文件，來描述你想做什么即可。

其基本思路是在人類可讀的 yaml 或 json 文件中將所有配置進行分組，包括模型定義、數據預處理方法等，然后讓 igel 自動化執行一切操作。用戶在 yaml 或 json 文件中描述自己的需求，之后 igel 使用用戶的配置構建模型，進行訓練，并給出結果和元數據。

igel 目前支持的所有配置如下所示：

# dataset operations 
dataset: 
    type: csv  # [str] -> type of your dataset 
    read_data_options: # options you want to supply for reading your data (See the detailed overview about this in the next section) 
        sep:  # [str] -> Delimiter to use. 
        delimiter:  # [str] -> Alias for sep. 
        header:     # [int, list of int] -> Row number(s) to use as the column names, and the start of the data. 
        names:  # [list] -> List of column names to use 
        index_col: # [int, str, list of int, list of str, False] -> Column(s) to use as the row labels of the DataFrame, 
        usecols:    # [list, callable] -> Return a subset of the columns 
        squeeze:    # [bool] -> If the parsed data only contains one column then return a Series. 
        prefix:     # [str] -> Prefix to add to column numbers when no header, e.g. ‘X’ for X0, X1, … 
        mangle_dupe_cols:   # [bool] -> Duplicate columns will be specified as ‘X’, ‘X.1’, …’X.N’, rather than ‘X’…’X’. Passing in False will cause data to be overwritten if there are duplicate names in the columns. 
        dtype:  # [Type name, dict maping column name to type] -> Data type for data or columns 
        engine:     # [str] -> Parser engine to use. The C engine is faster while the python engine is currently more feature-complete. 
        converters: # [dict] -> Dict of functions for converting values in certain columns. Keys can either be integers or column labels. 
        true_values: # [list] -> Values to consider as True. 
        false_values: # [list] -> Values to consider as False. 
        skipinitialspace: # [bool] -> Skip spaces after delimiter. 
        skiprows: # [list-like] -> Line numbers to skip (0-indexed) or number of lines to skip (int) at the start of the file. 
        skipfooter: # [int] -> Number of lines at bottom of file to skip 
        nrows: # [int] -> Number of rows of file to read. Useful for reading pieces of large files. 
        na_values: # [scalar, str, list, dict] ->  Additional strings to recognize as NA/NaN. 
        keep_default_na: # [bool] ->  Whether or not to include the default NaN values when parsing the data. 
        na_filter: # [bool] -> Detect missing value markers (empty strings and the value of na_values). In data without any NAs, passing na_filter=False can improve the performance of reading a large file. 
        verbose: # [bool] -> Indicate number of NA values placed in non-numeric columns. 
        skip_blank_lines: # [bool] -> If True, skip over blank lines rather than interpreting as NaN values. 
        parse_dates: # [bool, list of int, list of str, list of lists, dict] ->  try parsing the dates 
        infer_datetime_format: # [bool] -> If True and parse_dates is enabled, pandas will attempt to infer the format of the datetime strings in the columns, and if it can be inferred, switch to a faster method of parsing them. 
        keep_date_col: # [bool] -> If True and parse_dates specifies combining multiple columns then keep the original columns. 
        dayfirst: # [bool] -> DD/MM format dates, international and European format. 
        cache_dates: # [bool] -> If True, use a cache of unique, converted dates to apply the datetime conversion. 
        thousands: # [str] -> the thousands operator 
        decimal: # [str] -> Character to recognize as decimal point (e.g. use ‘,’ for European data). 
        lineterminator: # [str] -> Character to break file into lines. 
        escapechar: # [str] ->  One-character string used to escape other characters. 
        comment: # [str] -> Indicates remainder of line should not be parsed. If found at the beginning of a line, the line will be ignored altogether. This parameter must be a single character. 
        encoding: # [str] -> Encoding to use for UTF when reading/writing (ex. ‘utf-8’). 
        dialect: # [str, csv.Dialect] -> If provided, this parameter will override values (default or not) for the following parameters: delimiter, doublequote, escapechar, skipinitialspace, quotechar, and quoting 
        delim_whitespace: # [bool] -> Specifies whether or not whitespace (e.g. ' ' or '    ') will be used as the sep 
        low_memory: # [bool] -> Internally process the file in chunks, resulting in lower memory use while parsing, but possibly mixed type inference. 
        memory_map: # [bool] -> If a filepath is provided for filepath_or_buffer, map the file object directly onto memory and access the data directly from there. Using this option can improve performance because there is no longer any I/O overhead. 
 
 
    split:  # split options 
        test_size: 0.2  #[float] -> 0.2 means 20% for the test data, so 80% are automatically for training 
        shuffle: true   # [bool] -> whether to shuffle the data before/while splitting 
        stratify: None  # [list, None] -> If not None, data is split in a stratified fashion, using this as the class labels. 
 
    preprocess: # preprocessing options 
        missing_values: mean    # [str] -> other possible values: [drop, median, most_frequent, constant] check the docs for more 
        encoding: 
            type: oneHotEncoding  # [str] -> other possible values: [labelEncoding] 
        scale:  # scaling options 
            method: standard    # [str] -> standardization will scale values to have a 0 mean and 1 standard deviation  | you can also try minmax 
            target: inputs  # [str] -> scale inputs. | other possible values: [outputs, all] # if you choose all then all values in the dataset will be scaled 
 
 
# model definition 
model: 
    type: classification    # [str] -> type of the problem you want to solve. | possible values: [regression, classification, clustering] 
    algorithm: NeuralNetwork    # [str (notice the pascal case)] -> which algorithm you want to use. | type igel algorithms in the Terminal to know more 
    arguments:          # model arguments: you can check the available arguments for each model by running igel help in your terminal 
    use_cv_estimator: false     # [bool] -> if this is true, the CV class of the specific model will be used if it is supported 
    cross_validate: 
        cv: # [int] -> number of kfold (default 5) 
        n_jobs:   # [signed int] -> The number of CPUs to use to do the computation (default None) 
        verbose: # [int] -> The verbosity level. (default 0) 
 
# target you want to predict 
target:  # list of strings: basically put here the column(s), you want to predict that exist in your csv dataset 
    - put the target you want to predict here 
    - you can assign many target if you are making a multioutput prediction 

這款工具具備以下特性：

• 支持所有機器學習 SOTA 模型(甚至包括預覽版模型);
• 支持不同的數據預處理方法;
• 既能寫入配置文件，又能提供靈活性和數據控制;
• 支持交叉驗證;
• 支持 yaml 和 json 格式;
• 支持不同的 sklearn 度量，進行回歸、分類和聚類;
• 支持多輸出 / 多目標回歸和分類;
• 在并行模型構建時支持多處理。

如前所示，igel 支持回歸、分類和聚類模型，包括我們熟悉的線性回歸、貝葉斯回歸、支持向量機、Adaboost、梯度提升等。

igel 支持的回歸、分類和聚類模型。

快速入門

為了讓大家快速上手 igel，項目作者在「README」文件中提供了詳細的入門指南。

運行以下命令可以獲取 igel 的幫助信息：

$ igel --help 
 
# or just 
 
$ igel -h"""Take some time and read the output of help command. You ll save time later if you understand how to use igel.""" 

第一步是提供一份 yaml 文件(你也可以使用 json)。你可以手動創建一個. yaml 文件并自行編輯。但如何你很懶，也可以選擇使用 igel init 命令來快速啟動：

"""igel init <args>possible optional args are: (notice that these args are optional, so you can also just run igel init if you want)-type: regression, classification or clustering-model: model you want to use-target: target you want to predictExample:If I want to use neural networks to classify whether someone is sick or not using the indian-diabetes dataset,then I would use this command to initliaze a yaml file: 
$ igel init -type "classification" -model "NeuralNetwork" -target "sick"""" 
$ igel init 

運行該命令之后，當前的工作目錄中就有了一個 igel.yaml 文檔。你可以檢查這個文件并進行修改，也可以一切從頭開始。

在下面這個例子中，作者使用隨機森林來判斷一個人是否患有糖尿病。他用到的數據集是著名的「Pima Indians Diabetes Database」。

# model definitionmodel: 
    # in the type field, you can write the type of problem you want to solve. Whether regression, classification or clustering# Then, provide the algorithm you want to use on the data. Here I'm using the random forest algorithmtype: classificationalgorithm: RandomForest     # make sure you write the name of the algorithm in pascal casearguments: 
        n_estimators: 100   # here, I set the number of estimators (or trees) to 100max_depth: 30       # set the max_depth of the tree# target you want to predict# Here, as an example, I'm using the famous indians-diabetes dataset, where I want to predict whether someone have diabetes or not.# Depending on your data, you need to provide the target(s) you want to predict heretarget: 
    - sick 

注意，作者將 n_estimators 和 max_depth 傳遞給了模型，用作模型的附加參數。如果你不提供參數，模型就會使用默認參數。你不需要記住每個模型的參數。相反，你可以在終端運行 igel models 進入交互模式。在交互模式下，系統會提示你輸入你想要使用的模型以及你想要解決的問題的類型。接下來，Igel 將展示出有關模型的信息和鏈接。通過該鏈接，你可以看到可用參數列表以及它們的使用方法。

igel 的使用方式應該是從終端(igel CLI)：

在終端運行以下命令來擬合 / 訓練模型，你需要提供數據集和 yaml 文件的路徑。

$ igel fit --data_path 'path_to_your_csv_dataset.csv' --yaml_file 'path_to_your_yaml_file.yaml' 
 
# or shorter 
 
$ igel fit -dp 'path_to_your_csv_dataset.csv' -yml 'path_to_your_yaml_file.yaml'"""That's it. Your "trained" model can be now found in the model_results folder(automatically created for you in your current working directory).Furthermore, a description can be found in the description.json file inside the model_results folder.""" 

接下來，你可以評估訓練 / 預訓練好的模型：

$ igel evaluate -dp 'path_to_your_evaluation_dataset.csv'"""This will automatically generate an evaluation.json file in the current directory, where all evaluation results are stored""" 

如果你對評估結果比較滿意，就可以使用這個訓練 / 預訓練好的模型執行預測。

$ igel predict -dp 'path_to_your_test_dataset.csv'"""This will generate a predictions.csv file in your current directory, where all predictions are stored in a csv file""" 

你可以使用一個「experiment」命令將訓練、評估和預測結合到一起：

$ igel experiment -DP "path_to_train_data path_to_eval_data path_to_test_data" -yml "path_to_yaml_file""""This will run fit using train_data, evaluate using eval_data and further generate predictions using the test_data""" 

當然，如果你想寫代碼也是可以的。

交互模式

交互模式是 v0.2.6 及以上版本中新添加的，該模式可以讓你按照自己喜歡的方式寫參數。

也就是說，你可以使用 fit、evaluate、predict、experiment 等命令而無需指定任何額外的參數，比如：

igel fit 

如果你只是編寫這些內容并點擊「enter」，系統將提示你提供額外的強制參數。0.2.5 及以下版本會報錯，所以你需要使用 0.2.6 及以上版本。 

如 demo 所示，你不需要記住這些參數，igel 會提示你輸入這些內容。具體而言，Igel 會提供一條信息，解釋你需要輸入哪個參數。括號之間的值表示默認值。

端到端訓練示例

項目作者給出了使用 igel 進行端到端訓練的完整示例，即使用決策樹算法預測某人是否患有糖尿病。你需要創建一個 yaml 配置文件，數據集可以在 examples 文件夾中找到。

擬合 / 訓練模型：

model: 
    type: classification 
    algorithm: DecisionTree 
 
target: 
    - sick 

$ igel fit -dp path_to_the_dataset -yml path_to_the_yaml_file 

現在，igel 將擬合你的模型，并將其保存在當前目錄下的 model_results 文件夾中。

評估模型：

現在開始評估預訓練模型。Igel 從 model_results 文件夾中加載預訓練模型并進行評估。你只需要運行 evaluate 命令并提供評估數據的路徑即可。

igel evaluate -dp path_to_the_evaluation_dataset 

Igel 進行模型評估，并將 statistics/results 保存在 model_results 文件夾中的 evaluation.json 文件中。

預測：

這一步使用預訓練模型預測新數據。這由 igel 自動完成，你只需提供預測數據的路徑即可。

$ igel predict -dp path_to_the_new_dataset 

Igel 使用預訓練模型執行預測，并將其保存在 model_results 文件夾中的 predictions.csv 文件中。

高階用法

你還可以通過在 yaml 文件中提供某些預處理方法或其他操作來執行它們。關于 yaml 配置文件請參考 GitHub 詳細介紹。在下面的示例中，將數據拆分為訓練集 80%，驗證 / 測試集 20%。同樣，數據在拆分時會被打亂。

此外，可以通過用均值替換缺失值來對數據進行預處理：

# dataset operations 
dataset: 
    split: 
        test_size: 0.2 
        shuffle: True 
        stratify: default 
 
    preprocess: # preprocessing options 
        missing_values: mean    # other possible values: [drop, median, most_frequent, constant] check the docs for more 
        encoding: 
            type: oneHotEncoding  # other possible values: [labelEncoding] 
        scale:  # scaling options 
            method: standard    # standardization will scale values to have a 0 mean and 1 standard deviation  | you can also try minmax 
            target: inputs  # scale inputs. | other possible values: [outputs, all] # if you choose all then all values in the dataset will be scaled 
 
# model definition 
model: 
    type: classification 
    algorithm: RandomForest 
    arguments: 
        # notice that this is the available args for the random forest model. check different available args for all supported models by running igel help 
        n_estimators: 100 
        max_depth: 20 
 
# target you want to predict 
target: 
    - sick 

然后，可以通過運行 igel 命令來擬合模型：

$ igel fit -dp path_to_the_dataset -yml path_to_the_yaml_file 

評估：

$ igel evaluate -dp path_to_the_evaluation_dataset 

預測：

$ igel predict -dp path_to_the_new_dataset 

參考鏈接：

https://medium.com/@nidhalbacc/machine-learning-without-writing-code-984b238dd890

【本文是51CTO專欄機構“機器之心”的原創譯文，微信公眾號“機器之心( id: almosthuman2014)”】 

戳這里，看該作者更多好文