初识TPOT：一个基于Python的自动化机器学习开发工具

1. TPOT介绍

一般来讲，创建一个机器学习模型需要经历以下几步：

• 数据预处理
• 特征工程
• 模型选择
• 超参数调整
• 模型保存

本文介绍一个基于遗传算法的快速模型选择及调参的方法，TPOT：一种基于Python的自动机器学习开发工具。项目源代码位于：https://github.com/EpistasisLab/tpot

下图是一个机器学习模型开发图，其中灰色部分代表TPOT将要做的事情：即通过利用遗传算法，分析数千种可能的组合，为模型、参数找到最佳的组合，从而自动化机器学习中的模型选择及调参部分。

使用TPOT（版本0.9.5）开发模型需要把握以下几点：

1. 在使用TPOT进行建模前需要对数据进行必要的清洗和特征工程操作。
2. TPOT目前只能做有监督学习。
3. TPOT目前支持的分类器主要有贝叶斯、决策树、集成树、SVM、KNN、线性模型、xgboost。
4. TPOT目前支持的回归器主要有决策树、集成树、线性模型、xgboost。
5. TPOT会对输入的数据做进一步处理操作，例如二值化、聚类、降维、标准化、正则化、独热编码操作等。
6. 根据模型效果，TPOT会对输入特征做特征选择操作，包括基于树模型、基于方差、基于F-值的百分比。
7. 可以通过export()方法把训练过程导出为形式为sklearn pipeline的.py文件

2. TPOT实现模型训练

下面是一个使用TPOT对MNIST数据集进行模型训练的例子：

# -*- coding: utf-8 -*-
"""
@author: wangkang
@file: start_tpot.py
@time: 2018/11/9 11:21
@desc: TPOT 实践
"""
import time
from tpot import TPOTClassifier
from sklearn.datasets import load_digits
from sklearn.model_selection import train_test_split

# 载入数据集
digits = load_digits()

X_train, X_test, y_train, y_test = train_test_split(digits.data, digits.target,
                                                    train_size=0.75, test_size=0.25)
start = time.time()

"""
generations：运行管道优化过程的迭代次数
population_size：在遗传进化中每一代要保留的个体数量
verbosity： TPOT运行时能传递多少信息
"""
# 使用TPOT初始化分类器模型
tpot = TPOTClassifier(generations=5, population_size=20, verbosity=0)

# 模型训练
tpot.fit(X_train, y_train)
print(tpot.score(X_test, y_test))
print('找到最优模型与超参数耗时：', time.time() - start)

# 分类器其模型保存为 .py
tpot.export('tpot_mnist_pipeline.py')

运行结果如下所示：

可以观察到，经过5次遗传进化，找到了此范围内得分最高的模型及参数组合！但观察代码耗时发现，在i5-7500 CPU @ 3.40GHz条件下，这5次迭代，共耗时1297 S。

我们可以打开生成的 tpot_mnist_pipeline.py 文件，如下所示：

import numpy as np
import pandas as pd
from sklearn.ensemble import ExtraTreesClassifier, GradientBoostingClassifier
from sklearn.feature_selection import VarianceThreshold
from sklearn.model_selection import train_test_split
from sklearn.pipeline import make_pipeline, make_union
from tpot.builtins import StackingEstimator

"""
# NOTE: Make sure that the class is labeled 'target' in the data file
tpot_data = pd.read_csv('PATH/TO/DATA/FILE', sep='COLUMN_SEPARATOR', dtype=np.float64)
features = tpot_data.drop('target', axis=1).values
training_features, testing_features, training_target, testing_target = 
    train_test_split(features, tpot_data['target'].values, random_state=None)
"""

# 以上代码需修改为下面形式以供正确运行
from sklearn.datasets import load_digits

digits = load_digits()
X = digits.data
y = digits.target

training_features, testing_features, training_target, testing_target = 
    train_test_split(X, y, random_state=None)

# 此为由TPOT遗传算法得到的最优模型及参数组合
# Average CV score on the training set was:0.9792963424938936

exported_pipeline = make_pipeline(
    PolynomialFeatures(degree=2, include_bias=False, interaction_only=False),
    ZeroCount(),
    LinearSVC(C=0.5, dual=True, loss="squared_hinge", penalty="l2", tol=0.001)
)

exported_pipeline.fit(training_features, training_target) results = exported_pipeline.predict(testing_features) 

print(results)

可以发现，训练好的模型以pipeline的形式保存（未进行持久化保存）。这样，整个关于MNIST数据集的分类器就训练完成了。

3. 总结

1、通过简单浏览源码发现，TPOT是在sklearn的基础之上做的封装库。其主要封装了sklearn的模型相关模块、processesing模块和feature_selection模块，所以TPOT的主要功能是集中在使用pipeline的方式完成模型的数据预处理、特征选择和模型选择方面。此外，我们还发现了TPOT已经对xgboost进行了支持。

2、虽然TPOT使用遗传算法代替了传统的网格搜索进行超参数选择，但由于默认初始值的随机性，在少量的进化（迭代）次数下，TPOT最终选择的模型往往并不相同。

3、计算效率问题。作者在代码中写道：进化（迭代）次数和每一代保留的个体数量值越多，最终得模型得分会越高。但这同样也会导致耗时很长。