比Keras更好用的机器学习“模型包”：0代码上手做模型

做机器学习模型时，只是融合各种算法，就已经用光了脑细胞？

又或者觉得，数据预处理就是在“浪费时间”？

一位毕业于哥廷根大学、做机器学习的小哥也发现了这个问题：原本只是想设计个模型，结果“实现比设计还麻烦”。

于是他自己动手做了个项目igel （德语中意为“刺猬”，但也是Init、Generate、Evaluate Machine Learning的缩写），无需编写任何多余代码，就能设计出想要的模型。

也就是说，用户只需要知道各种机器学习模型的原理，但不需要再自己动手写代码。

相比于Keras，这个项目进一步简化了预处理、输入输出的工作，就像“模型包”一样简便。

作者用了两周的时间，做出了项目的1.0版本，一天以内已有842 Star，目前还在快速上涨中。

由于只是1.0版本，作者表示，这个项目仍然有很大的完善空间。

但就目前的功能来说，已经足够进行基本的机器学习建模了。

“让机器学习生产变得自动化”

作者建立这个项目的初衷，是希望为所有人提供机器学习模型。

无论是技术向工程师、还是非技术向的其他行业用户，都能使用机器模型让自己的工作更简单。

说白了，就是将机器学习变成一个“自动化”的过程，而他也这么设计了。

项目igel包含了当前最新的所有机器学习模型（回归、分类、聚类），而且作者表示，项目还在持续更新中。

也就是说，后续如果还有更新的机器学习模型，也会再加进项目。

模型目前支持的功能有以下几种：

支持所有最新的机器学习模型（甚至是预览模型） 支持不同的数据预处理方法 在编写配置时提供灵活性和数据控制 支持交叉验证 支持yaml和json格式 支持不同的sklearn指标以进行回归，分类和聚类 支持多输出/多目标回归和分类 支持多处理并行模型构建

可以看出，作者为了偷懒让机器学习生产变得更简洁，也是操碎了心。

如果要上手的话，也非常简便。

6步上手“模型包”

与其他程序一样，作者为这个程序提供了“帮助”菜单，只需要输入“igel -h” （或igel -help），就能了解它的使用方法。

学习完使用方法后，就可以开始创建配置文件了，无论是yaml还是json格式，都ok。

如果你是个“懒癌患者” （像作者一样），可以使用“igel init”来初始化。

例如，想做个判断“是否生病”功能的配置文件：

第一步，选择功能、模型、目标：igel init -type “classification” -model “NeuralNetwork” -target “sick” 第二步，初始化：igel init

那么，程序就会给你生成一份配置文件，根据需要进行修改。

在那之后，就是选择具体的算法参数、并提供你所选的数据集了。

例如，想用随机森林处理数据，那么，只需要提供参数给系统（以及数据集、配置文件路径），它就会帮你训练：

此外，还可以对模型/预训练模型进行评估：

感觉不错？生成预测模型：

直接用起来：

简单6步，机器模型（预览模型）就已经生成了，非常方便。

网友：太棒了，想要更多新功能

此外，作者也非常乐意采纳各个网友的意见。

例如，一个网友指出，如果能用交叉验证进行超参数搜索/调整，那么会是个很好的改进，而作者本人也立即采纳了这个建议。

不过，也有网友表示，“让一切程序自动化”是没有意义的。

毕竟作者已经声明，项目是建立在scikit-learn的基础上的。但后者同样几行代码就能做机器学习，那么scikit-learn和这个项目有什么区别？

作者对此回应称，最大的区别在于，相比于编写代码，这个项目旨在以更“可读”的方式设计想做的模型。

有网友认可这样的观点，毕竟对于许多做生产的机器学习工程师来说，“任何不需要做的编程工作”都是没有意义的，是在“浪费时间和金钱”。

对于这个项目，更多的网友表示了支持，并希望看见他的新功能。

对这个机器学习项目感兴趣的小伙伴，可以通过下方传送门查看~

作者介绍

Nidhal Baccouri，于今年4月在德国哥廷根大学取得硕士学位，研究方向是软件、控制工程和人工智能。

目前，Nidhal Baccouri在汽车行业工作，研究方向是数字双胞胎技术，会同时应用人工智能和物联网的知识。业余时间，他喜欢做做项目，尤其是与AI和Python相关的项目。

传送门

项目地址： https://github.com/nidhaloff/igel

本文经AI新媒体量子位（公众号ID:QbitAI）授权转载，转载请联系出处。