shankarpandala/lazypredict

解決的問題

Lazy Predict 透過允許使用者在無需撰寫大量樣板程式碼或手動調整參數的情況下，快速對大量模型進行基準測試，簡化機器學習模型選擇的初始階段。它消除了在決定哪種演算法（分類、回歸或時間序列預測）最適合特定資料集時，繁瑣的試誤過程。

工作原理

該套件提供高階封裝（LazyClassifier、LazyRegressor 和 LazyForecaster），接收訓練與測試資料後，自動擬合並評估大量內建模型。它處理類別編碼（OneHot、Ordinal、Target、Binary），對於時間序列資料，則透過 ACF 自動偵測季節週期。使用者可為支援的模型（如 XGBoost、CatBoost 和基於 PyTorch 的 LSTMs）啟用 GPU 加速以加快處理速度。

適用對象

專為資料科學家與機器學習工程師設計，幫助他們在投入深度調校與最佳化之前，快速原型化並識別最具前景的模型架構。

主要亮點

• 豐富的模型庫：涵蓋分類與回歸的 40 多個內建模型，以及 20 多個預測模型。
• 全面的預測支援：支援統計模型（ARIMA、ETS）、機器學習模型、深度學習（LSTM、GRU）與基礎模型（TimesFM）。
• 硬體加速：透過 CUDA 支援 GPU 加速，適用於提升庫（如 XGBoost、CatBoost）、RAPIDS cuML 與深度學習模型的效能。
• 整合工具：內建 MLflow 整合以實現實驗追蹤，並支援自訂評估指標。
• 彈性預處理：提供多種類別編碼策略與可配置的交叉驗證。