AutoML Machine learning

Nesse repositório é um estudo de automl para como processamento de linguagem natural, classificação, regressão, cluster, é um estudo como automl pode ajudar no dia a dia de um cientista de dados. Nesse repositório afins de estudo sobe automl com pycaret, autokeras, autosklearn.

Versão das bibliotecas

Nome	Versão
PyCaret	Versão 3.0.0
Auto Keras	Versão 1.0.20
Auto Sklearn	Versão 0.15.0

Ducumentação Pycaret

PyCaret Documentação

Instalação

Instalação dos pacotes automl

# Criar um ambiente conda
conda create --name yourenvname python=3.8

# Ativar ambiente conda
conda activate yourenvname

# Instalar pycaret
pip install pycaret
pip install auto-sklearn
pip install autokeras

# Criar kernel do notebook
python -m ipykernel install --user --name yourenvname --display-name "display-name"

Projeto realizados

Nome projeto	Link
Heart analysis	https://github.com/Delta357/AutoML---Machine-learning/blob/main/notebook/AutoML%20-%20Classificao%20Heart.ipynb
The Heart Failure Prediction	https://github.com/Delta357/AutoML---Machine-learning/blob/main/notebook/AutoML_Heart.ipynb
Breast Cancer	https://github.com/Delta357/AutoML---Machine-learning/blob/main/notebook/Model%20AutoML%20Breast%20Cancer.ipynb
Covid19 - Provide Insights Clinical Trials	https://github.com/Delta357/AutoML---Machine-learning/blob/main/notebook/Automl_nlp_Covid19.ipynb
Stooke prediction	https://github.com/Delta357/AutoML---Machine-learning/blob/main/notebook/Automl%20-%20Previs%C3%A3o%20AVC.ipynb
Tweets nlp	https://github.com/Delta357/AutoML---Machine-learning/blob/main/notebook/AutoML_NLP_Tweets_.ipynb
Email - AutoML Benchmark - v1
Reddit Machine Learning Posts
Wine Reviews

Instalação

Instalação das bibliotecas do AutoML. Pode usar o comando pip para instalar as bibliotecas o pacote oficial do PyPi

AutoKeras

  pip install autokeras

H20

  pip install h2o

Auto-Sklearn

  pip install auto-sklearn

AdaNet

  pip install adanet

Demo

Exemplo simples como é AutoML para modelos de classificação e regressão linear.

  # Carregando as bibliotecas 
  import pandas as pd
  import seaborn as sns
  import matplotlib.pyplot as plt

  # Carregando o dataset
  data = pd.read_csv("data.csv")
  
  # Visualizando os 5 primeiros itens
  data.head()

  # visualizando linhas e colunas com shape
  data.shape

  # Informações das variaveis
  data.info()

  # Treino e teste da base de dados para x e y
  x = df_train.iloc[:, 0: 10]
  y = df_train.iloc[:, 10]

  # Visualizando o shape da variavel x
  x.shape

  # Visualizando o shape da variavel y
  y.shape

  # Treinando modelo de machine learning
  from sklearn.model_selection import train_test_split
  x_train, x_test, y_train, y_test = train_test_split(x, y, test_size = 0.3, random_state = 0)

  # Visualizando linhas e colunas do dado de treino x_train
  x_train.shape

  # Visualizando linhas e colunas do dado de treino y_train
  y_train.shape

  # Modelo AutoML - AutoKeras
  # Modelo classificação com autokeras

  # Importando a biblioteca 
  import autokeras as ak
  
  # Modelo de classificação - max_trials tempo que vai ser treinado
  model = ak.StructuredDataClassifier(max_trials = 10)
  
  # Modelo vai treino - epochs sera as epocas do modelo
  model_fit = model.fit(x = x_train, y = y_train, epochs = 100)
  
  # Valição do modelo foi preparado
  model_automl_eval = model.evaluate(x = x_test, y = y_test)

  # Previsão do modelo
  predict = model.predict(model_predict)
  predict