使用LazyClassifier输出空结果表，如何获取所有模型准确率？

问题代码 #

from sklearn.model_selection import train_test_split
import lazypredict
from lazypredict.Supervised import LazyClassifier
import numpy as np

y = np.array(skin_new_df['diagnostic'])
X = np.array(skin_new_df.drop(['diagnostic'], axis=1))
print(X.shape)
print(y.shape)
X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.2, random_state=42)
clf = LazyClassifier(verbose=0, 
                 ignore_warnings=True, 
                 custom_metric = None)
models,predictions = clf.fit(X_train, X_test, y_train, y_test)
print(models)

运行输出 #

(2298, 25)
(2298,)
100%|██████████| 29/29 [00:08<00:00,  3.61it/s]
Accuracy    Balanced Accuracy   ROC AUC F1 Score    Time Taken
Model

解决方案 #

以下是按优先级排序的针对性解决方法：

1. 处理目标变量编码
   LazyClassifier对字符串类型的标签可能存在兼容问题，将标签转换为整数编码：

from sklearn.preprocessing import LabelEncoder

le = LabelEncoder()
y = le.fit_transform(skin_new_df['diagnostic'])

2. 保持训练/测试集类别分布一致
   若数据集类别不平衡，默认拆分可能导致测试集缺失部分类别，触发指标计算异常，添加stratify参数：

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42, stratify=y)

3. 修复版本兼容问题
   部分新版本lazypredict与scikit-learn存在适配问题，安装稳定版本：

pip uninstall -y lazypredict
pip install lazypredict==0.2.12

4. 清理特征数据
   确保特征矩阵仅包含数值型数据且无缺失值：

# 检查缺失值
print(skin_new_df.isnull().sum())
# 删除含缺失值的行
skin_new_df = skin_new_df.dropna()
# 筛选数值型特征
X = skin_new_df.drop(['diagnostic'], axis=1).select_dtypes(include=['int64', 'float64']).values
y = le.fit_transform(skin_new_df['diagnostic'])

5. 优化结果打印方式
   print(models)可能因DataFrame格式问题显示不全，改用完整字符串输出：

print(models.to_string())

内容的提问来源于stack exchange，提问作者Deepika Chauhan