Hypernets 开源项目教程

Hypernets 开源项目教程

Hypernets A General Automated Machine Learning framework to simplify the development of End-to-end AutoML toolkits in specific domains. 项目地址: https://gitcode.com/gh_mirrors/hy/Hypernets

1. 项目介绍

Hypernets 是一个通用的自动化机器学习（AutoML）框架，旨在简化特定领域端到端 AutoML 工具包的开发。它基于各种机器学习框架和库（包括 TensorFlow、Keras、PyTorch、Scikit-learn、LightGBM、XGBoost 等）实现自动优化工具。Hypernets 还采用了多种先进的优化算法，如进化算法、蒙特卡罗树搜索（MCTS）等，支持单目标和多目标优化。

2. 项目快速启动

安装 Hypernets

你可以通过 conda 或 pip 安装 Hypernets。以下是安装步骤：

使用 Conda 安装

conda install -c conda-forge hypernets

使用 Pip 安装

pip install hypernets

如果你需要在 JupyterLab 或 Jupyter Notebook 中运行 Hypernets，可以使用以下命令：

pip install hypernets[notebook]

如果你需要在分布式 Dask 集群中运行 Hypernets，可以使用以下命令：

pip install hypernets[dask]

如果你需要支持中文特征生成，可以安装 jieba 包，或者使用以下命令：

pip install hypernets[zhcn]

安装所有选项：

pip install hypernets[all]

验证安装

安装完成后，你可以通过以下命令验证安装是否成功：

python -m hypernets.examples.smoke_testing

3. 应用案例和最佳实践

应用案例

Hypernets 可以应用于各种机器学习任务，包括但不限于：

• 表格数据分析：使用 HyperGBM 进行全管道 AutoML，集成多种 GBM 模型。
• 时间序列数据分析：使用 HyperTS 进行全管道 AutoML 和 AutoDL。
• 深度学习模型优化：使用 HyperKeras 进行神经架构搜索和超参数优化。

最佳实践

• 特征工程：在 Hypernets 中，特征工程可以通过自动化的方式进行，减少手动调整的工作量。
• 模型选择与优化：Hypernets 支持多种优化算法，可以根据任务需求选择合适的算法进行模型优化。
• 分布式计算：通过集成 Dask，Hypernets 可以在分布式环境中高效运行，处理大规模数据集。

4. 典型生态项目

Hypernets 生态系统包含多个相关项目，以下是一些典型的生态项目：

• HyperGBM：一个集成多种 GBM 模型的全管道 AutoML 工具。
• HyperDT/DeepTables：一个用于表格数据的 AutoDL 工具。
• HyperTS：一个用于时间序列数据的全管道 AutoML 和 AutoDL 工具。
• HyperKeras：一个用于 TensorFlow 和 Keras 的神经架构搜索和超参数优化工具。
• HyperBoard：一个用于 Hypernets 的可视化工具。
• Cooka：一个轻量级的交互式 AutoML 系统。

这些项目共同构成了一个强大的 AutoML 生态系统，适用于各种机器学习和深度学习任务。

Hypernets A General Automated Machine Learning framework to simplify the development of End-to-end AutoML toolkits in specific domains. 项目地址: https://gitcode.com/gh_mirrors/hy/Hypernets