shankarpandala/lazypredict

해결하는 문제

Lazy Predict는 기계학습 모델 선택의 초기 단계를 단순화하여, 방대한 수의 모델을 꼼수 코드를 작성하거나 수동으로 하이퍼파라미터 튜닝하지 않고도 빠르게 벤치마킹할 수 있게 해줍니다. 특정 데이터셋에 가장 적합한 알고리즘(분류, 회귀, 시계열 예측)을 결정할 때 반복적인 시도와 오류의 번거로움을 제거합니다.

작동 방식

이 라이브러리는 고수준 래퍼(LazyClassifier, LazyRegressor, LazyForecaster)를 제공하여 학습 및 테스트 데이터를 받아 내장된 다양한 모델들을 자동으로 적합하고 평가합니다. 범주형 인코딩(OneHot, Ordinal, Target, Binary)을 처리하며, 시계열 데이터의 경우 ACF를 통해 자동으로 계절 주기를 탐지합니다. XGBoost, CatBoost, PyTorch 기반 LSTM과 같은 지원되는 모델에 대해 GPU 가속을 활성화하여 처리 속도를 높일 수 있습니다.

대상 사용자

깊이 있는 튜닝과 최적화에 들어가기 전에 가장 유망한 모델 아키텍처를 빠르게 프로토타이핑하고 식별하고자 하는 데이터 과학자 및 ML 엔지니어를 위한 것입니다.

주요 특징

• 풍부한 모델 라이브러리: 분류 및 회귀에 40개 이상, 시계열 예측에 20개 이상의 내장 모델을 제공합니다.
• 포괄적인 예측 기능: 통계 모델(ARIMA, ETS), 머신러닝 모델, 딥러닝(LSTM, GRU), 기초 모델(TimesFM)을 지원합니다.
• 하드웨어 가속: CUDA를 통한 GPU 지원으로 부스팅 라이브러리, RAPIDS cuML, 딥러닝 모델의 성능을 향상시킵니다.
• 통합 도구: 실험 추적을 위한 MLflow 통합 및 사용자 정의 평가 지표 지원이 포함되어 있습니다.
• 유연한 전처리: 다양한 범주형 인코딩 전략과 구성 가능한 교차 검증을 제공합니다.