表格分類/迴歸

使用 AutoTrain，您可以輕鬆地訓練一個模型來對錶格資料進行分類或迴歸。您需要做的就是從模型列表中選擇一個模型並上傳您的資料集。引數調整是自動完成的。

模型

以下模型可用於表格分類/迴歸。

xgboost
random_forest
ridge
logistic_regression
svm
extra_trees
gradient_boosting
adaboost
decision_tree
knn

資料格式

id,category1,category2,feature1,target
1,A,X,0.3373961604172684,1
2,B,Z,0.6481718720511972,0
3,A,Y,0.36824153984054797,1
4,B,Z,0.9571551589530464,1
5,B,Z,0.14035078041264515,1
6,C,X,0.8700872583584364,1
7,A,Y,0.4736080452737105,0
8,C,Y,0.8009107519796442,1
9,A,Y,0.5204774795512048,0
10,A,Y,0.6788795301189603,0
.
.
.

列

您的 CSV 資料集必須包含兩列： id 和 target。

引數

class autotrain.trainers.tabular.params.TabularParams

< 原始碼 >

( data_path: str = None model: str = 'xgboost' username: typing.Optional[str] = None seed: int = 42 train_split: str = 'train' valid_split: typing.Optional[str] = None project_name: str = 'project-name' token: typing.Optional[str] = None push_to_hub: bool = False id_column: str = 'id' target_columns: typing.Union[typing.List[str], str] = ['target'] categorical_columns: typing.Optional[typing.List[str]] = None numerical_columns: typing.Optional[typing.List[str]] = None task: str = 'classification' num_trials: int = 10 time_limit: int = 600 categorical_imputer: typing.Optional[str] = None numerical_imputer: typing.Optional[str] = None numeric_scaler: typing.Optional[str] = None )

引數

data_path (str) — 資料集的路徑。
model (str) — 要使用的模型的名稱。預設為“xgboost”。
username (Optional[str]) — Hugging Face 使用者名稱。
seed (int) — 用於可復現性的隨機種子。預設為 42。
train_split (str) — 訓練資料拆分的名稱。預設為“train”。
valid_split (Optional[str]) — 驗證資料拆分的名稱。
project_name (str) — 輸出目錄的名稱。預設為“project-name”。
token (Optional[str]) — 用於身份驗證的 Hub 令牌。
push_to_hub (bool) — 是否將模型推送到 Hub。預設為 False。
id_column (str) — ID 列的名稱。預設為“id”。
target_columns (Union[List[str], str]) — 資料集中的目標列。預設為 [“target”]。
categorical_columns (Optional[List[str]]) — 分類列的列表。
numerical_columns (Optional[List[str]]) — 數值列的列表。
task (str) — 任務型別（例如，“classification”）。預設為“classification”。
num_trials (int) — 超引數最佳化的試驗次數。預設為 10。
time_limit (int) — 訓練時間限制（以秒為單位）。預設為 600。
categorical_imputer (Optional[str]) — 分類列的插補策略。
numerical_imputer (Optional[str]) — 數值列的插補策略。
numeric_scaler (Optional[str]) — 數值列的縮放策略。

TabularParams 是用於表格資料訓練引數的配置類。

< > 在 GitHub 上更新