Lazypredict 0.2.12版本中如何自定义选择分类模型？

错误原因分析 #

1. 'str' object has no attribute 'name'：Lazypredict 0.2.12版本的classifiers参数不接受字符串别名（比如'random_forest'），必须传入sklearn的模型类或实例。
2. too many values to unpack (expected 2)：当设置predictions=True时，fit()方法返回三个值（模型评估结果、测试集预测结果、分类报告），仅尝试解包成两个变量会触发该报错。

正确代码示例 #

import lazypredict
from lazypredict.Supervised import LazyClassifier
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
# 导入需要的目标模型类
from sklearn.ensemble import RandomForestClassifier
from sklearn.linear_model import LogisticRegression
from sklearn.neighbors import KNeighborsClassifier

data = load_iris()
X = data.data
y = data.target

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0)

# 传入模型类/实例的列表，而非字符串别名
clf = LazyClassifier(
    verbose=0,
    ignore_warnings=True, 
    custom_metric=None, 
    predictions=True,
    classifiers=[RandomForestClassifier(), LogisticRegression(), KNeighborsClassifier()]
)

# 解包三个返回值：模型评估表、测试集预测结果、分类报告
models, predictions, classification_report = clf.fit(X_train, X_test, y_train, y_test)

# 查看模型评估结果
print(models)
# 查看测试集预测结果
print(predictions)

补充说明 #

• 如果不需要分类报告，可将predictions设为False，此时fit()仅返回模型评估结果：

  clf = LazyClassifier(
      verbose=0,
      ignore_warnings=True, 
      custom_metric=None, 
      predictions=False,
      classifiers=[RandomForestClassifier, LogisticRegression, KNeighborsClassifier]
  )
  models = clf.fit(X_train, X_test, y_train, y_test)
  print(models)
  

• 也可以直接传入未实例化的模型类（比如RandomForestClassifier而非RandomForestClassifier()），Lazypredict会自动使用默认参数完成实例化。

内容的提问来源于stack exchange，提问作者user286076