>source

다음의 공식 문서에서와 같이 숫자 데이터 세트 (분류)에서 auto-sklearn 예제를 실행하려고합니다. https://automl.github.io/auto-sklearn/master/

automl.fit (X_train, y_train) 실행시 커널이 계속 종료됩니다.

커널 재시작 : Downloads /examples_jupyter /digits-test.ipynb 용 커널이 종료 된 것으로 보입니다. 그것 자동으로 다시 시작됩니다.

code는 다음과 같습니다.

import autosklearn.classification
import sklearn.model_selection
import sklearn.datasets
import sklearn.metrics
X, y= sklearn.datasets.load_digits(return_X_y=True)
X_train, X_test, y_train, y_test= sklearn.model_selection.train_test_split(X, y, random_state=1)
automl= autosklearn.classification.AutoSklearnClassifier()
automl.fit(X_train, y_train) #Killed running this
y_hat= automl.predict(X_test)
print("Accuracy score", sklearn.metrics.accuracy_score(y_test, y_hat))

JupyterLab에서이 code를 실행하고 있으며 Anaconda를 사용합니다. 프로그램을 실행하기 전에 12GB의 RAM이 사용 가능하며 아무것도 사용되지 않는 것 같습니다.

$ conda -V
conda 4.8.3
$ python -V
Python 3.7.6

JupyterLab-버전 1.2.6


  • 답변 # 1

    문제를 해결 했습니까? 이건 중요하다

  • 답변 # 2

    autosklearn을 pip 설치할 수 없습니다.

    다른 분류 기준을 사용해 볼 수 있습니까? 여기에 몇 가지가 있습니다.

    이것은 저에게 잘 작동합니다.

    import numpy as np
    import matplotlib.pyplot as plt
    from matplotlib.colors import ListedColormap
    from sklearn.model_selection import train_test_split
    from sklearn.preprocessing import StandardScaler
    from sklearn.datasets import make_moons, make_circles, make_classification
    from sklearn.neighbors import KNeighborsClassifier
    from sklearn.svm import SVC
    from sklearn.tree import DecisionTreeClassifier
    from sklearn.ensemble import RandomForestClassifier, AdaBoostClassifier
    from sklearn.naive_bayes import GaussianNB
    from sklearn.discriminant_analysis import LinearDiscriminantAnalysis as LDA
    from sklearn.discriminant_analysis import QuadraticDiscriminantAnalysis as QDA
    h= .02  # step size in the mesh
    names= ["Nearest Neighbors", "Linear SVM", "RBF SVM", "Decision Tree",
             "Random Forest", "AdaBoost", "Naive Bayes", "LDA", "QDA"]
    classifiers= [
        KNeighborsClassifier(3),
        SVC(kernel="linear", C=0.025),
        SVC(gamma=2, C=1),
        DecisionTreeClassifier(max_depth=5),
        RandomForestClassifier(max_depth=5, n_estimators=10, max_features=1),
        AdaBoostClassifier(),
        GaussianNB(),
        LDA(),
        QDA()]
    X, y= make_classification(n_features=2, n_redundant=0, n_informative=2,
                               random_state=1, n_clusters_per_class=1)
    rng= np.random.RandomState(2)
    X += 2 * rng.uniform(size=X.shape)
    linearly_separable= (X, y)
    datasets= [make_moons(noise=0.3, random_state=0),
                make_circles(noise=0.2, factor=0.5, random_state=1),
                linearly_separable
                ]
    figure= plt.figure(figsize=(27, 9))
    i= 1
    # iterate over datasets
    for ds in datasets:
        # preprocess dataset, split into training and test part
        X, y= ds
        X= StandardScaler().fit_transform(X)
        X_train, X_test, y_train, y_test= train_test_split(X, y, test_size=.4)
        x_min, x_max= X[:, 0].min() -.5, X[:, 0].max() + .5
        y_min, y_max= X[:, 1].min() -.5, X[:, 1].max() + .5
        xx, yy= np.meshgrid(np.arange(x_min, x_max, h),
                             np.arange(y_min, y_max, h))
        # just plot the dataset first
        cm= plt.cm.RdBu
        cm_bright= ListedColormap(['#FF0000', '#0000FF'])
        ax= plt.subplot(len(datasets), len(classifiers) + 1, i)
        # Plot the training points
        ax.scatter(X_train[:, 0], X_train[:, 1], c=y_train, cmap=cm_bright)
        # and testing points
        ax.scatter(X_test[:, 0], X_test[:, 1], c=y_test, cmap=cm_bright, alpha=0.6)
        ax.set_xlim(xx.min(), xx.max())
        ax.set_ylim(yy.min(), yy.max())
        ax.set_xticks(())
        ax.set_yticks(())
        i += 1
        # iterate over classifiers
        for name, clf in zip(names, classifiers):
            ax= plt.subplot(len(datasets), len(classifiers) + 1, i)
            clf.fit(X_train, y_train)
            score= clf.score(X_test, y_test)
            # Plot the decision boundary. For that, we will assign a color to each
            # point in the mesh [x_min, m_max]x[y_min, y_max].
            if hasattr(clf, "decision_function"):
                Z= clf.decision_function(np.c_[xx.ravel(), yy.ravel()])
            else:
                Z= clf.predict_proba(np.c_[xx.ravel(), yy.ravel()])[:, 1]
            # Put the result into a color plot
            Z= Z.reshape(xx.shape)
            ax.contourf(xx, yy, Z, cmap=cm, alpha=.8)
            # Plot also the training points
            ax.scatter(X_train[:, 0], X_train[:, 1], c=y_train, cmap=cm_bright)
            # and testing points
            ax.scatter(X_test[:, 0], X_test[:, 1], c=y_test, cmap=cm_bright,
                       alpha=0.6)
            ax.set_xlim(xx.min(), xx.max())
            ax.set_ylim(yy.min(), yy.max())
            ax.set_xticks(())
            ax.set_yticks(())
            ax.set_title(name)
            ax.text(xx.max() -.3, yy.min() + .3, ('%.2f' % score).lstrip('0'),
                    size=15, horizontalalignment='right')
            i += 1
    figure.subplots_adjust(left=.02, right=.98)
    plt.show()
    
  • 이전 c# : C # 매개 변수를 사용하여 기본 클래스에서 연산자를 호출하는 방법
  • 다음 java : 이 작은 프로그램을 Eclipse에서 실행하려면 어떻게해야합니까?