Упростите науку о данных: импорт пакетов
Краткое руководство для понимания применения PyForest!
Новейшие достижения в области машинного обучения росли с такой пугающей скоростью, что угнаться за ними действительно стало сложно. Более того, проекты, которые выполняются в области ML, теперь нуждаются в огромном количестве отдельных пакетов и функций, привязанных к разным аспектам пайплайна.
Итак, давайте будем ленивыми и умными в этой головоломке.
В святых руках единственного и неповторимого:
Пакет, облегчающий нашу жизнь, называется PyForest. Несколько вещей о PyForest, прежде чем мы перейдем к делу:
- Пакет поддерживает импорт из нескольких доменов, NLP, временных рядов, обработки и визуализации данных, Ensemble ML и даже базовой сериализации данных с помощью Pickle.
- Импорт PyForest не замедляет работу вашего ПК; эти импорты на самом деле не нужны, пока вы их ДЕЙСТВИТЕЛЬНО не используете
Хорошо, теперь, когда вы кратко ознакомились с пакетом, давайте начнем.
Во-первых, давайте загрузим и установим PyForest на наши локальные машины.
!pip install pyforest
Теперь импортировать то же самое.
Import pyforest From pyforest import *
Хорошо, давайте посмотрим, как этот пакет делает нашу жизнь проще;
lazy_imports()
Но, как упоминалось в первом пункте выше, вы определенно видели удивительное разнообразие, которое предоставляет этот пакет. В буквальном смысле, от fbprophet до gensim и plotly, большинство аспектов конвейера машинного обучения покрываются простым импортом одного пакета.
Вероятно, лучшее в этом пакете то, что вам не нужно беспокоиться о том, что весь импорт замедляет работу. Пакет импортируется только при использовании любой из функций указанного пакета.
Допустим, вам нужно выполнить типичную задачу визуализации, для которой нужны pandas, seaborn, Matplotlib и, возможно, Plotly. Эти пакеты импортируются, как только вы фактически используете предоставляемые ими функции. Другие пакеты, такие как Scikit-learn, gensim и многие другие, не импортируются и, следовательно, не замедлят вашу обработку.
Легкость ознакомления с достижениями в этой области, независимо от их актуальности, делает этот пакет таким доступным.
Такие пакеты, как PyForest и LazyPredict, безусловно, облегчают нашу жизнь до предела, а также помогают повысить производительность, поскольку вы сосредотачиваетесь на субъективных частях проекта (ов). Но если оставить в стороне лень, некоторые практики должны быть чистыми и выполняться в специальной дисциплине.
Быть ленивым не значит перестать быть умным. Будьте оба. Будь лучше.
Не стесняйтесь обращаться ко мне в любой из моих социальных сетей — Linkedin, Twitter, если вам когда-нибудь захочется связаться со мной. Для других проектов, проверьте мой Github. Удачи и удачного обучения!
