零基础ML建模,自动机器学习平台R2 Learn开放免费试用

在数据的世界中,机器学习已经成为不可或缺的工具。机器学习可以帮助发现隐藏在大量数据中的特定知识。很多时候,这些知识都不是人类能轻易分析得出的,它展示了大量事实之间的内部联系。但是如果我们需要这些隐藏知识辅助做决策,机器学习建模就成为了一个非常有效的手段。

机器学习虽然十分强大,但它的模型开发应用过程却相对复杂,包括很多步骤,从数据质量检测,数据前期探索,特征工程,算法选择,模型训练,参数优化,模型结果分析,模型选择,模型运营,一直到模型再优化。这些流程中每一步和每一个关键点做出的决策对于模型在实际应用中的表现都至关重要,所以找到最佳模型通常是一个不断试错的过程。

以现在的人工方式实现这个过程是非常繁琐和缓慢的,所以在很多时候因为资源时间的限制往往不能找到最佳的模型。如果我们能把整个建模及运营流程高度自动化及优化,利用计算机的强大算力和高质的优化搜寻算法,自动快速的找到优质的模型,那么我们就可以把大部分时间用来快速解决业务问题,而不是机器学习问题了,这也正是 R2 Learn 平台所提供的功能。

在这篇文章中,我们将介绍如何使用 R2 Learn 快速构建机器学习模型,比较它与 XGBoost 建模的优劣。

重要的是,R2 Learn 目前提供免费试用,支持上限为 50MB 的 CSV 训练数据量、两万行数据预测,足够你体验自动机器学习的魅力。不想写代码,不想学数学,但又想拥有精准机器学习模型?R2 Learn 可以让您亲身体验简单便捷、高质高效的数据科学建模。

申请地址:https://www.r2ai.com.cn/product  

什么是 R2 Learn

成立于 2015 年的 R2.ai 一直聚焦于自动化机器学习,其总部位于美国硅谷,上海和杭州都有分公司。R2 Learn 是 R2.ai 构建的 AutoML 平台,它旨在自动化及优化机器学习工作流,从而完成更简单,更快速,更高质量的数据分析

R2 Learn 是真正端到端的自动化机器学习解决方案,能够提供一站式服务,完成从数据清洗到模型搭建所有步骤。只要对业务数据有一定理解,你就能通过 R2 Learn 迅速建立机器学习模型,解决业务需求。该平台通过自动算法集成与模型调参,整个建模过程由机器全程处理,实现了建模过程的自动化、规范化、可视化。

无论是数据科学家还是不具备 AI 专业知识的业务人员,R2 Learn 都可以在短时间内让你实现机器学习建模。它的优势主要在于便捷快速与准确优质。若与常规的 XGBoost 建模对比,我们发现 R2 Learn 完全不需要代码,数据预处理、模型搭建、训练、调参和部署等过程能自动完成,而且准确率还非常高。R2 Learn 的引导性可视化用户界面大大提高了建模的便捷性,即使是业务人员,跟着界面提示就能完成大数据分析,都不一定需要看文档或教程。此外,界面操作对 ML 开发者也很方便,可以充分发挥开发者的业务知识来辅助 R2 Learn, 例如在处理数据缺失值时,可以选择均值、中值和最值等更符合实际的方式进行补充,而完全不需要代码。

其次对于模型质量,R2 Learn 有一系列自动化的模型选择与相应的超参搜索优化算法,可以用较少的计算资源快速选择性能最好的模型作为推荐。在我们使用 XGBoost 手动建模和 R2 Learn 平台建模后发现,R2 Learn 的模型结果更加优异。

整体建模流程

一般的机器学习建模过程包含多个步骤,数据科学家首先要对数据进行清洗,其次通过一些统计分析理解数据及变量间的关系,进行特征工程,然后才能开始建模和训练等等。在我们的体验中,R2 Learn 整体过程只需用户上传数据,其余步骤包括数据预处理、自动建模,得到分析结果,部署和监控模型均由 R2 Learn 完成,是真正端到端的全程自动机器学习。这大大减少了缺乏机器学习知识用户的操作难度。

R2 Learn 机器学习工作流。步骤 1-3 由用户完成,4-6 由 R2 Learn 自动完成。

在使用 R2 Learn 的过程中,首先收集我们的数据,它可能是业务数据,也可能是从网上爬取的一些信息。一般而言,我们可以将这些结构化数据转换为 csv 文件放在本地或者数据库上,并由用户上传至 R2 Learn。至此为止,用户负责的步骤 1-3 便完成了。

第 4 步为建立模型。当用户上传数据到 R2 Learn 平台后,R2 Learn 便会检查和清理数据,并且会以数据科学的角度给出最好的推荐,例如推荐使用最常见的类别作为缺失类别的补充。第 4 步可分为自动化建模和高级建模,其中自动化建模会全程完成从数据清洗、自动调参、选择最优算法、搭建模型、模型评估、模型推荐的所有步骤,是真正的「一键式」建模。高级建模则为有数据科学背景和建模经验的用户提供手动调整建模过程中的不同处理方式,例如用户可以选择用不同方式处理缺失数据,选用不同的热门机器学习算法训练模型,分析变量的统计信息等。用户可以重写覆盖系统决策,还能根据统计信息构建新变量。

当用户完成模型训练并且选择了合适的模型后,第 5 步为部署模型。我们可以连接 R2 Learn 与已有的数据库,或通过上传 CSV 文件用模型对要预测的数据进行批量预测,用户也可以选择使用 R2 Learn 模型运营 API 进行实时预测。

最后第 6 步可以监控模型的预测性能。一旦根据模型得出的预测结果不理想,R2 Learn 会自动提醒用户重新进行模型训练以达到理想的预测结果。

案例分析及使用体验

为了实际感受 R2 Learn 的效果,并了解它到底和主流机器学习库相比有什么优势,我们使用 R2.ai 关于类型二糖尿病预测案例,分别进行 R2 Learn 自动化建模和 XGBoost 手动建模。

R2 Learn 数据怎么做

因为糖尿病数据集是 CSV 文件,我们直接将训练集上传到 R2 Learn 即可。如下所示为 R2 Learn 中的数据概览,有点类似于 Pandas 中的 DataFrame.head,不过我们可以通过可视化操作选择要预测的目标变量与可用的特征变量,非常方便。对于分类任务,特征变量可以分为类别型和数值型,R2 Learn 可以自动检测变量类型,用户也可以根据需求自定义修改类型,这又会节省很多精力。

潜在糖尿病患者数据集一共有 79977 个有效样本、 58 个特征变量。

确定无误后,R2 Learn 会自动分析目标变量与特征变量,并给出质量修复方案。如下图所示为 R2 Learn 对数据预处理的概览。

因为 R2 Learn 能够自动检测变量类型,并对缺失值、异常值等提供处理方案,它比常规用 Pandas 预处理数据简单很多,我们不需要写代码就能完成整个流程,这就是它的便捷性。

此外,获取变量的相关性、重要性等信息,或创建新变量等高级操作都可以在 Advanced 建模模式中实现,这就是它的灵活性。

R2 Learn 建模怎么做

处理完数据后就可以开始建模了,R2 Learn 提供两种模式:全自动建模和高级建模,全自动建模不需要用户做任何操作,只要等待模型训练完成即可。这里简单介绍下高级建模(Advanced)模式,除了前面所述获取变量的统计信息外,更重要的是能够查看自定义模型设置和参数

对于分类和回归问题,R2 Learn 支持不同的算法。除了平台提供的默认解决方案外,我们还可以根据具体需求选择主流机器学习算法,因此它兼顾了性能与便捷。如下图所示为高级建模的各种选项,我们额外选了随机森林XGBoost 两种算法,之后 R2 Learn 会进行自动建模、调参,推荐所选模型中结果最好的几个。

除了模型选择,设置中还包括了有很多其它参数,例如数据集分割比例 [Set Percentage of Each Part]、不平衡数据的重采样 [Resampling Setting]、最大模型集成数 [Set Model Ensemble Size] 等等。其中比较便捷的是重采样与模型集成:如果分类类别分布差别太大,我们可以选择自动上采样或下采样;可以通过设置模型集成数量 [Set Model Ensemble Size] 选择用来做集成模型的模型数量上限。

在随后的建模训练中,平台默认推荐两种 R2-solution 算法,不但模型训练速度非常快,并且一般能得到的模型具有较高的准确率,这也是全自动建模所采用的方式。当用户选择高级模型并且勾选了其他多种算法,模型训练时长也会相应增加,尽管如此,百万行数据需要的建模时间依然能在一小时左右完成,这是人工根本无法比拟的。

在所有已训练模型中,R2 Learn 会根据执行速度、模型性能、验证集模型与流出集的差异等因素来综合进行模型推荐。我们也可以对每一个已训练模型查看各种可视化特征,例如 ROC 曲线、预测分布、不同变量对预测的重要性等等。

如下所示为简化版的模型效果图。我们可以看到各模型的性能与执行速度,同时还能计算模型每个变量的重要性。其中绿色和紫色分别表示各类别分类正确的比例,黄色表示分类错误的比例。

R2 Learn 会计算各个特征对模型贡献大小,如上模型,认为「gap」和「dm_duration」两个特征贡献最大,这也为实际业务分析提供帮助,业务人员可以根据特征贡献大小,有的放矢地进行分析处理。

如上图所示,通过运用 R2 Learn 建立的糖尿病者预测模型,AUC 可达到 0.877,能够准确识别出超出 HbA1C 控制的高风险患者,为临床健康风险管理提供了重要支持;分析团队在收集到相关数据后,能够在 1-2 小时内迅速构建出模型并完成预测;整个过程仅需要一名数据分析师即可完成整个建模预测工作,不需要任何外部顾问,从而节约了大量成本。

在实际应用中,R2 Learn 不仅在医疗、还有包括金融、新零售、物流、制造等众多领域的中都有很好的表现。

R2 Learn 部署怎么用

最后的部署就比较简单了,确定最合适的训练模型,然后选择部署就行了。一般 R2 Learn 可以通过数据源或 API 进行模型部署,其中数据源又可分为本地 CSV 文件或数据库

对比 XGBoost

最后,如果我们需要使用 XGBoost 库执行相同的任务,那么就需要按照标准的机器学习建模流程一点点完成。在适应了 R2 Learn 后,相对比而言这个过程越发显得繁琐,尤其是对大数据的预处理和调参等。如下为准备好数据后,执行模型训练的代码样例:

模型结果: 

以上模型结果为尝试不同上述超参数后建立 XGBoost 模型得到的结果,可见超参数的选择直接影响建模效果。要得到较好的模型通常需要根据建模者的经验进行多次调试,是一个相当消耗时间和精力的工作。

R2 Learn 端到端的全流程自动建模方式,使整个流程变得非常简单、便捷、高效,没看说明书的情况下,用户即可在几分钟以内建立并部署模型,无论你是否拥有 AI 专业知识;而使用 XGBoost 建模则需要从头写或修改开源代码,哪怕是资深的数据科学家,也需要数小时的时间来完成整个工作。

而对于建模效果,R2 Learn 的模型 AUC 可达到 0.877;而利用 XGBoost 进行建模,多次调试后最佳效果也仅有 0.862。R2 Learn 在建模过程中,利用强大算力做支撑,拥有更多模型算法、变量处理方式作为选择,从而能够建立出具有更高质量的模型。

为了让用户能亲身体验 R2 Learn 产品,R2.ai 公司近期在其网站 https://www.r2ai.com.cn/product 推出产品公开免费试用。

同时,为满足不同用户需求,提供不同使用级别的个人版线上订阅版本。云平台产品更进一步节省了企业运用人工智能进行机器学习建模所需的设备投资,使有需求的企业能立即开始应用领先的 AutoML 技术进行大数据分析和预测。对企业级用户,R2.ai 提供企业级 SaaS 和本地部署产品。

如果你也想试试 R2 Learn 这种更便捷更高效的全程自动机器学习方式,快快申请试用吧。

工程R2.ai创业公司R2 Learn自动化机器学习XGBoost
3
相关数据
重采样技术

重采样是指根据一类象元的信息内插出另一类象元信息的过程。在遥感中,重采样是从高分辨率遥感影像中提取出低分辨率影像的过程。常用的重采样方法有最邻近内插法(nearest neighbor interpolation)、双线性内插法(bilinear interpolation)和三次卷积法内插(cubic convolution interpolation)。

数据分析技术

数据分析是一类统计方法,其主要特点是多维性和描述性。有些几何方法有助于揭示不同的数据之间存在的关系,并绘制出统计信息图,以更简洁的解释这些数据中包含的主要信息。其他一些用于收集数据,以便弄清哪些是同质的,从而更好地了解数据。 数据分析可以处理大量数据,并确定这些数据最有用的部分。

机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

参数技术

在数学和统计学裡,参数(英语:parameter)是使用通用变量来建立函数和变量之间关系(当这种关系很难用方程来阐述时)的一个数量。

数据科学技术

数据科学,又称资料科学,是一门利用数据学习知识的学科,其目标是通过从数据中提取出有价值的部分来生产数据产品。它结合了诸多领域中的理论和技术,包括应用数学、统计、模式识别、机器学习、数据可视化、数据仓库以及高性能计算。数据科学通过运用各种相关的数据来帮助非专业人士理解问题。

超参数技术

在机器学习中,超参数是在学习过程开始之前设置其值的参数。 相反,其他参数的值是通过训练得出的。 不同的模型训练算法需要不同的超参数,一些简单的算法(如普通最小二乘回归)不需要。 给定这些超参数,训练算法从数据中学习参数。相同种类的机器学习模型可能需要不同的超参数来适应不同的数据模式,并且必须对其进行调整以便模型能够最优地解决机器学习问题。 在实际应用中一般需要对超参数进行优化,以找到一个超参数元组(tuple),由这些超参数元组形成一个最优化模型,该模型可以将在给定的独立数据上预定义的损失函数最小化。

验证集技术

验证数据集是用于调整分类器超参数(即模型结构)的一组数据集,它有时也被称为开发集(dev set)。

数据库技术

数据库,简而言之可视为电子化的文件柜——存储电子文件的处所,用户可以对文件中的数据运行新增、截取、更新、删除等操作。 所谓“数据库”系以一定方式储存在一起、能予多个用户共享、具有尽可能小的冗余度、与应用程序彼此独立的数据集合。

随机森林技术

在机器学习中,随机森林是一个包含多个决策树的分类器,并且其输出的类别是由个别树输出的类别的众数而定。 Leo Breiman和Adele Cutler发展出推论出随机森林的算法。而"Random Forests"是他们的商标。这个术语是1995年由贝尔实验室的Tin Kam Ho所提出的随机决策森林(random decision forests)而来的。这个方法则是结合Breimans的"Bootstrap aggregating"想法和Ho的"random subspace method" 以建造决策树的集合。

特征工程技术

特征工程是利用数据所在领域的相关知识来构建特征,使得机器学习算法发挥其最佳的过程。它是机器学习中的一个基本应用,实现难度大且代价高。采用自动特征工程方法可以省去采用人工特征工程的需求。Andrew Ng 说“挖掘特征是困难、费时且需要专业知识的事,应用机器学习其实基本上是在做特征工程。”

准确率技术

分类模型的正确预测所占的比例。在多类别分类中,准确率的定义为:正确的预测数/样本总数。 在二元分类中,准确率的定义为:(真正例数+真负例数)/样本总数

大数据技术技术

大数据,又称为巨量资料,指的是传统数据处理应用软件不足以处理它们的大或复杂的数据集的术语。

规范化技术

规范化:将属性数据按比例缩放,使之落入一个小的特定区间,如-1.0 到1.0 或0.0 到1.0。 通过将属性数据按比例缩放,使之落入一个小的特定区间,如0.0到1.0,对属性规范化。对于距离度量分类算法,如涉及神经网络或诸如最临近分类和聚类的分类算法,规范化特别有用。如果使用神经网络后向传播算法进行分类挖掘,对于训练样本属性输入值规范化将有助于加快学习阶段的速度。对于基于距离的方法,规范化可以帮助防止具有较大初始值域的属性与具有较小初始值域的属相相比,权重过大。有许多数据规范化的方法,包括最小-最大规范化、z-score规范化和按小数定标规范化。

上采样技术

在数字信号处理中,上采样、扩展和内插是与多速率数字信号处理系统中的重采样过程相关的术语。 上采样可以与扩展同义,也可以描述整个扩展和过滤(插值)过程。

XGBoost技术

XGBoost是一个开源软件库,为C ++,Java,Python,R,和Julia提供了渐变增强框架。 它适用于Linux,Windows,MacOS。从项目描述来看,它旨在提供一个“可扩展,便携式和分布式的梯度提升(GBM,GBRT,GBDT)库”。 除了在一台机器上运行,它还支持分布式处理框架Apache Hadoop,Apache Spark和Apache Flink。 由于它是许多机器学习大赛中获胜团队的首选算法,因此它已经赢得了很多人的关注。

自动化机器学习技术

推荐文章
暂无评论
暂无评论~