自动生成优化与学习
autogoal的Python项目详细描述
自动目标
Automatic Generation, Optimization And Artificial Learning
AutoGOAL是一个Python库,用于自动找到解决给定任务的最佳方法。 它主要是为自动机器学习而设计的 但它可以用于任何有几种可能的方法来解决给定任务的场景。在
从技术上讲,AutoGOAL是一个程序综合的框架,即找到要解决的最佳程序 一个给定的问题,前提是用户可以描述所有可能的程序的空间。 AutoGOAL提供了一组低级组件来定义不同的空间并在其中高效地搜索。 在机器学习的特定环境中,AutoGOAL还提供了高级组件,可以在几乎任何类型的问题和数据集格式中用作黑盒。在
快速启动
AutoGOAL首先是自动机器学习的框架。 因此,它预装了数百个低级机器学习 可以自动组合成不同问题的管道的算法。在
这个功能的核心在于^{
为了说明其使用的简单性,我们将加载一个数据集并在其中运行一个自动分类器。在
fromautogoal.datasetsimportcarsfromautogoal.mlimportAutoMLX,y=cars.load()automl=AutoML()automl.fit(X,y)
为AutoML
的许多参数中的每一个都定义了合理的默认值。
请确保read the documentation获取更多信息。在
安装
安装非常简单:
^{pr2}$但是,autogoal
附带了一堆可选的依赖项。您可以通过以下方式安装它们:
pip install autogoal[contrib]
要精确选择所需的依赖项,请阅读dependencies section。在
使用Docker
要使AutoGOAL启动并运行所有依赖项,最简单的方法是拉取开发Docker映像,它有点大:
docker pull autogoal/autogoal
设置Docker的说明here。在
一旦下载了开发映像,就可以启动一个控制台并以交互方式使用AutoGOAL。在
NOTE: By installing through
pip
you will get the latest release version of AutoGOAL, while by installing through Docker, you will get the latest development version. The development version is mostly up-to-date with themain
branch, hence it will probably contain more features, but also more bugs, than the release version.
命令行接口
您可以直接从CLI使用AutoGOAL。要查看选项,只需键入:
python -m autogoal
在CLI documentation中阅读更多内容。在
演示
在线演示应用程序可在autogoal.github.io/demo获得。 这个应用程序展示了AutoGOAL在交互式案例研究中的主要功能。在
要在本地运行演示,只需键入:
docker run -p 8501:8501 autogoal/autogoal
然后导航到localhost:8501。在
文件
此文档可在autogoal.github.io上在线获取。检查以下部分:
- User Guide:逐步展示使用auogal需要知道的一切。在
- Examples:通过实践学习如何使用AutoGOAL的最佳方法。在
- API:关于AutoGOAL的公共API的详细信息。在
可以通过下载AutoGOAL Docker image并运行以下命令来脱机部署HTML版本:
docker run -p 8000:8000 autogoal/autogoal mkdocs serve -a 0.0.0.0:8000
并导航到localhost:8000。在
出版物
如果您在学术研究中使用AutoGOAL,请引用以下论文:
@article{estevez2020general,title={General-purpose hierarchical optimisation of machine learning pipelines with grammatical evolution},author={Est{\'e}vez-Velarde, Suilan and Guti{\'e}rrez, Yoan and Almeida-Cruz, Yudivi{\'a}n and Montoyo, Andr{\'e}s},journal={Information Sciences},year={2020},publisher={Elsevier},doi={10.1016/j.ins.2020.07.035}}
AutoGOAL的技术和理论结果已在不同的场地进行了介绍:
- 在
Optimizing Natural Language Processing Pipelines: Opinion Mining Case Study标志着使用进化优化和概率搜索空间进行管道优化的想法的开始。在
在 - 在
{a26}在医学文本实体识别的语境中应用概率语法进化和定制语法。在
在 - 在
General-purpose Hierarchical Optimisation of Machine Learning Pipelines with Grammatical Evolution提供了一个更加统一的框架,在不同的问题中使用不同的语法,从表格数据集到自然语言处理。在
在 - 在
Solving Heterogeneous AutoML Problems with AutoGOAL是AutoGOAL作为框架的第一个实际描述,它统一了前面的文章中提出的思想。在
在
贡献
代码由麻省理工学院授权。阅读collaboration section中的详细信息。在
- 项目
标签: