English | 简体中文
AutoX是什么？
AutoX一个高效的自动化机器学习工具，它主要针对于表格类型的数据挖掘竞赛。 它的特点包括:
- 效果出色: AutoX在多个kaggle数据集上，效果显著优于其他解决方案(见效果对比)。
- 简单易用: AutoX的接口和sklearn类似，方便上手使用。
- 通用: 适用于分类和回归问题。
- 自动化: 无需人工干预，全自动的数据清洗、特征工程、模型调参等步骤。
- 灵活性: 各组件解耦合，能单独使用，对于自动机器学习效果不满意的地方，可以结合专家知识，AutoX提供灵活的接口。
- 比赛上分点总结：整理并公开历史比赛的上分点。
目录
安装
1. git clone https://github.com/4paradigm/autox.git
2. cd autox
3. python setup.py install
架构
├── autox
│ ├── ensemble
│ ├── feature_engineer
│ ├── feature_selection
│ ├── file_io
│ ├── join_tables
│ ├── metrics
│ ├── models
│ ├── process_data
│ └── util.py
│ ├── CONST.py
│ ├── autox.py
├── run_oneclick.py
└── demo
└── test
├── setup.py
├── README.md
快速上手
- 全自动: 适合于想要快速获得一个不错结果的用户。只需要配置最少的数据信息，就能完成机器学习全流程的构建。
from autox import AutoX
path = data_dir
autox = AutoX(target = 'loss', train_name = 'train.csv', test_name = 'test.csv',
id = ['id'], path = path)
sub = autox.get_submit()
sub.to_csv("submission.csv", index = False)
- 半自动: run_demo.ipynb
适合于想要获得更优预测结果的用户。AutoX提供了易用且丰富的接口，用户可以方便地根据实际数据场景进行配置，以获得更优的预测结果。
效果对比：
| index | data_type | data_name(link) | AutoX | AutoGluon | H2o |
|---|---|---|---|---|---|
| 1 | regression | zhidemai | 1.1231 | 1.9466 | 1.1927 |
| 2 | regression | Tabular Playground Series - Aug 2021 | 7.87731 | 10.3944 | 7.8895 |
| 3 | binary classification | Titanic | x | 0.78229 | 0.79186 |
数据类型
- cat: Categorical，类别型无序变量
- ord: Ordinal，类别型有序变量
- num: Numeric，连续型变量
- datetime: Datetime型时间变量
- timestamp: imestamp型时间变量
pipeline的逻辑
- 1.初始化AutoX类
1.1 读数据
1.2 合并train和test
1.3 识别数据表中列的类型
1.4 数据预处理
- 2.特征工程
特征工程包含单表特征和多表特征。
每一个特征工程类都包含以下功能：
一、自动筛选要执行当前操作的特征；
二、查看筛选出来的特征
三、修改要执行当前操作的特征
四、执行特征数据的计算，返回和主表样本条数以及顺序一致的特征
- 3.特征合并
将构造出来的特征进行合并，行数不变，列数增加，返回大的宽表
- 4.训练集和测试集的划分
将宽表划分成训练集和测试集
- 5.特征过滤
通过train和test的特征列数据分布情况，对构造出来的特征进行过滤，避免过拟合
- 6.模型训练
利用过滤后的宽表特征对模型进行训练
模型类提供功能包括：
一、查看模型默认参数；
二、模型训练；
三、模型调参；
四、查看模型对应的特征重要性；
五、模型预测
- 7.模型预测
AutoX类
AutoX类自动为用户管理数据集和数据集信息。
初始化AutoX类之后会执行以下操作：
一、读数据；
二、合并train和test；
三、识别数据表中列的类型；
四、数据预处理。
属性
info_: info_属性用于保存数据集的信息。
- info_['id']: List，用于标识数据表唯一的Key
- info_['target']: String，用于标识数据表的标签列
- info_['shape_of_train']: Int，train数据集的数据样本条数
- info_['shape_of_test']: Int，test数据集的数据样本条数
- info_['feature_type']: Dict of Dict，标识数据表中特征列的数据类型
- info_['train_name']: String，用于训练集主表表名
- info_['test_name']: String，用于测试集主表表名
dfs_: dfs_属性用于保存所有的DataFrame，包含原始表数据和构造的表数据。
- dfs_['train_test']: train数据和test数据合并后的数据
- dfs_['FE_feature_name']:特征工程所构造出的数据，例如FE_count，FE_groupby
- dfs_['FE_all']:原始特征和所有特征工程合并后的数据集
方法
- concat_train_test: 将训练集和测试集拼接起来，一般在读取数据之后执行
- split_train_test: 将训练集和测试集分开，一般在完成特征工程之后执行
- get_submit: 获得预测结果(中间过程执行了完成的机器学习pipeline，包括数据预处理，特征工程，模型训练，模型调参，模型融合，模型预测等)
AutoX的pipeline中的操作对应的具体细节：
读数据
读取给定路径下的所有文件。默认情况下，会将训练集主表和测试集主表进行拼接，
再进行后续的数据预处理以及特征工程等操作，并在模型预测开始前，将训练集和测试进行拆分。
数据预处理
- 对时间列解析年, 月, 日, 时、星期几等信息
- 在每次训练前，会对输入到模型的数据删除无效(nunique为1)的特征
- 去除异常样本，去除label为nan的样本
特征工程
- 1-1拼表特征
- 1-M拼表特征
- time diff特征
- 聚合统计类特征
- count特征
对要操作的特征列，将全体数据集中，和当前样本特征属性一致的样本计数作为特征
-
target encoding特征
-
统计类特征
使用两层for训练提取统计类特征。
第一层for循环遍历所有筛选出来的分组特征(group_col)，
第二层for循环遍历所有筛选出来的聚合特征(agg_col)，
在第二层for循环中，
若遇到类别型特征，计算的统计特征为nunique，
若遇到数值型特征，计算的统计特征包括[median, std, sum, max, min, mean].
- shift特征
模型训练
AutoX目前支持以下模型，默认情况下，会对Lightgbm模型进行训练：
1. Lightgbm；
2. AutoX 深度神经网络。
模型融合
AutoX支持的模型融合方式包括一下两种，默认情况下，不进行融合。
1. Stacking；
2. Bagging。
比赛上分点总结：
kaggle criteo: 对于nunique很大的特征列，进行分桶操作。例如，对于nunique大于10000的特征，做hash后截断保留4位，再进行label_encode。 zhidemai: article_id隐含了时间信息，增加article_id的排序特征。例如，groupby(['date'])['article_id'].rank()。
错误排查
| 错误信息 | 解决办法 |
|---|
216 Dec 23, 2022
1 Jan 08, 2022
139 Jan 01, 2023
156 Dec 14, 2022
6 Jun 30, 2022
223 Jan 03, 2023
558 Dec 28, 2022
757 Dec 31, 2022
3.3k Jan 03, 2023
141 Nov 10, 2022
1.4k Dec 28, 2022
4.2k Dec 29, 2022
1 Oct 24, 2021
915 Dec 31, 2022
1 Nov 22, 2021
16 Jul 20, 2022
28 Dec 29, 2022
0 Jun 29, 2021
2 Aug 23, 2022
15 Oct 29, 2022