HyperGBM 开源项目教程-CSDN博客

本文链接：https://blog.csdn.net/gitblog_01049/article/details/141250629

HyperGBM 开源项目教程

HyperGBMA full pipeline AutoML tool for tabular data项目地址:https://gitcode.com/gh_mirrors/hy/HyperGBM

项目介绍

HyperGBM 是一个开源项目，由 DataCanvas 创建。它是一个支持全流程 AutoML 的库，完全覆盖了从数据清洗、预处理、特征生成和选择、模型选择到超参数优化的各个阶段。HyperGBM 是一个真正的 AutoML 工具，适用于表格数据。与大多数专注于解决机器学习算法超参数优化问题的 AutoML 方法不同，HyperGBM 可以将从数据清洗到算法选择的整个过程放在一个搜索空间中进行优化。

项目快速启动

安装 HyperGBM

你可以使用 Conda 或 Pip 安装 HyperGBM。以下是使用 Pip 安装的示例：

pip install hypergbm

使用 HyperGBM 进行数据处理和模型训练

以下是一个简单的示例，展示如何使用 HyperGBM 进行数据处理和模型训练：

import pandas as pd
from hypergbm import HyperGBM
from hypergbm.search_space import search_space_general
from sklearn.model_selection import train_test_split

# 加载数据
data = pd.read_csv('path_to_your_data.csv')
X = data.drop('target', axis=1)
y = data['target']

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建 HyperGBM 实例
estimator = HyperGBM(search_space_general(), reward_metric='accuracy')

# 训练模型
estimator.fit(X_train, y_train)

# 评估模型
score = estimator.score(X_test, y_test)
print(f'模型准确率: {score}')

应用案例和最佳实践

处理不平衡数据

HyperGBM 提供了处理不平衡数据的方法。以下是一个示例：

from hypergbm import HyperGBM
from hypergbm.search_space import search_space_general
from hypergbm.datasets import dsutils

# 加载不平衡数据集
data = dsutils.load_bank()
X = data.drop('y', axis=1)
y = data['y']

# 创建 HyperGBM 实例
estimator = HyperGBM(search_space_general(), reward_metric='auc', class_balancing='smote')

# 训练模型
estimator.fit(X, y)

GPU 加速

HyperGBM 支持 GPU 加速，可以显著提高训练速度。以下是一个示例：

from hypergbm import HyperGBM
from hypergbm.search_space import search_space_general

# 创建 HyperGBM 实例
estimator = HyperGBM(search_space_general(), reward_metric='accuracy', gpu_enable=True)

# 训练模型
estimator.fit(X_train, y_train)