Igel机器学习工具使用指南：零代码实现模型训练与预测

Igel机器学习工具使用指南：零代码实现模型训练与预测

igel a delightful machine learning tool that allows you to train, test, and use models without writing code 项目地址: https://gitcode.com/gh_mirrors/ig/igel

什么是Igel

Igel是一款创新的机器学习工具，旨在让用户无需编写代码即可完成机器学习模型的训练、评估和预测。它通过简单的YAML配置文件来描述机器学习任务的所有细节，使机器学习流程变得异常简单。

安装与基本使用

首先确保你已经安装了Igel工具。安装完成后，可以通过以下命令查看帮助信息：

igel --help
# 或简写
igel -h

建议初学者仔细阅读帮助信息，这将帮助你快速掌握Igel的核心功能。

快速开始

初始化配置文件

Igel提供了便捷的初始化命令来创建配置文件模板：

igel init -type "classification" -model "NeuralNetwork" -target "sick"

这个命令会创建一个igel.yaml文件，其中包含了基本的配置模板。你也可以直接运行igel init创建空模板，然后手动编辑。

配置文件详解

一个典型的Igel配置文件如下所示：

model:
    type: classification
    algorithm: RandomForest
    arguments:
        n_estimators: 100
        max_depth: 30

target:
    - sick

在这个例子中，我们使用随机森林算法(RandomForest)来解决一个分类问题(预测某人是否患病)，并设置了两个超参数：决策树数量(n_estimators)和最大深度(max_depth)。

完整工作流程

1. 模型训练

使用以下命令训练模型：

igel fit -dp 'path_to_dataset.csv' -yml 'path_to_yaml_file.yaml'

训练完成后，Igel会自动创建一个model_results文件夹，其中包含训练好的模型和相关描述文件。

2. 模型评估

训练完成后，可以使用以下命令评估模型性能：

igel evaluate -dp 'path_to_evaluation_data.csv'

评估结果会保存在evaluation.json文件中。

3. 模型预测

对新的数据进行预测：

igel predict -dp 'path_to_test_data.csv'

预测结果会保存在predictions.csv文件中。

一键式实验

Igel还提供了experiment命令，可以一次性完成训练、评估和预测：

igel experiment -DP "train_data.csv eval_data.csv test_data.csv" -yml "config.yaml"

高级功能

数据预处理

Igel支持多种数据预处理操作，可以在配置文件中指定：

dataset:
    split:
        test_size: 0.2
        shuffle: True
        stratify: default
    preprocess:
        missing_values: mean
        encoding:
            type: oneHotEncoding
        scale:
            method: standard
            target: inputs

这段配置表示：

• 将数据按80:20的比例分割为训练集和测试集
• 分割时打乱数据顺序
• 用均值填充缺失值
• 使用独热编码(oneHotEncoding)处理分类变量
• 对输入特征进行标准化处理

模型导出

可以将训练好的scikit-learn模型导出为ONNX格式：

igel export -dp "path_to_trained_model"

Python API

虽然Igel主要设计为命令行工具，但也提供了Python接口：

from igel import Igel

params = {
    'cmd': 'fit',
    'data_path': 'path_to_dataset.csv',
    'yaml_path': 'path_to_config.yaml'
}

Igel(**params)

实际案例

糖尿病预测案例

以下是一个完整的糖尿病预测案例配置：

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

使用流程：

1. 训练模型：igel fit -dp diabetes.csv -yml config.yaml
2. 评估模型：igel evaluate -dp diabetes_test.csv
3. 进行预测：igel predict -dp new_patients.csv

总结

Igel通过简化的YAML配置和命令行界面，大大降低了机器学习的使用门槛。它的主要特点包括：

1. 零代码：无需编写任何Python代码即可完成完整机器学习流程
2. 灵活配置：支持多种算法和丰富的预处理选项
3. 完整流程：覆盖从数据准备到模型部署的全过程
4. 跨平台：支持模型导出为ONNX格式

无论是机器学习初学者还是希望快速验证想法的专业人士，Igel都是一个值得尝试的工具。通过合理的配置，你可以在几分钟内完成从数据到预测的完整流程。

igel a delightful machine learning tool that allows you to train, test, and use models without writing code 项目地址: https://gitcode.com/gh_mirrors/ig/igel