本文經AI新媒體量子位（公眾號ID:QbitAI）授權轉載，轉載請聯系出處。

做機器學習模型時，只是融合各種算法，就已經用光了腦細胞？

又或者覺得，數據預處理就是在“浪費時間”？

一位畢業于哥廷根大學、做機器學習的小哥也發現了這個問題：原本只是想設計個模型，結果“實現比設計還麻煩”。

于是他自己動手做了個項目igel （德語中意為“刺猬”，但也是Init、Generate、Evaluate Machine Learning的縮寫），無需編寫任何多余代碼，就能設計出想要的模型。

也就是說，用戶只需要知道各種機器學習模型的原理，但不需要再自己動手寫代碼。

相比于Keras，這個項目進一步簡化了預處理、輸入輸出的工作，就像“模型包”一樣簡便。

作者用了兩周的時間，做出了項目的1.0版本，一天以內已有842 Star，目前還在快速上漲中。

由于只是1.0版本，作者表示，這個項目仍然有很大的完善空間。

但就目前的功能來說，已經足夠進行基本的機器學習建模了。

“讓機器學習生產變得自動化”

作者建立這個項目的初衷，是希望為所有人提供機器學習模型。

無論是技術向工程師、還是非技術向的其他行業用戶，都能使用機器模型讓自己的工作更簡單。

說白了，就是將機器學習變成一個“自動化”的過程，而他也這么設計了。

項目igel包含了當前最新的所有機器學習模型（回歸、分類、聚類），而且作者表示，項目還在持續更新中。

也就是說，后續如果還有更新的機器學習模型，也會再加進項目。

模型目前支持的功能有以下幾種：

支持所有最新的機器學習模型（甚至是預覽模型）

支持不同的數據預處理方法

在編寫配置時提供靈活性和數據控制

支持交叉驗證

支持yaml和json格式

支持不同的sklearn指標以進行回歸，分類和聚類

支持多輸出/多目標回歸和分類

支持多處理并行模型構建

可以看出，作者為了偷懶讓機器學習生產變得更簡潔，也是操碎了心。

如果要上手的話，也非常簡便。

6步上手“模型包”

與其他程序一樣，作者為這個程序提供了“幫助”菜單，只需要輸入“igel -h” （或igel -help），就能了解它的使用方法。

學習完使用方法后，就可以開始創建配置文件了，無論是yaml還是json格式，都ok。

如果你是個“懶癌患者” （像作者一樣），可以使用“igel init”來初始化。

例如，想做個判斷“是否生病”功能的配置文件：

第一步，選擇功能、模型、目標：igel init -type “classification” -model “NeuralNetwork” -target “sick”

第二步，初始化：igel init

那么，程序就會給你生成一份配置文件，根據需要進行修改。

在那之后，就是選擇具體的算法參數、并提供你所選的數據集了。

例如，想用隨機森林處理數據，那么，只需要提供參數給系統（以及數據集、配置文件路徑），它就會幫你訓練：

此外，還可以對模型/預訓練模型進行評估：

感覺不錯？生成預測模型：

直接用起來：

簡單6步，機器模型（預覽模型）就已經生成了，非常方便。

網友：太棒了，想要更多新功能

此外，作者也非常樂意采納各個網友的意見。

例如，一個網友指出，如果能用交叉驗證進行超參數搜索/調整，那么會是個很好的改進，而作者本人也立即采納了這個建議。

不過，也有網友表示，“讓一切程序自動化”是沒有意義的。

畢竟作者已經聲明，項目是建立在scikit-learn的基礎上的。但后者同樣幾行代碼就能做機器學習，那么scikit-learn和這個項目有什么區別？

作者對此回應稱，最大的區別在于，相比于編寫代碼，這個項目旨在以更“可讀”的方式設計想做的模型。

有網友認可這樣的觀點，畢竟對于許多做生產的機器學習工程師來說，“任何不需要做的編程工作”都是沒有意義的，是在“浪費時間和金錢”。

對于這個項目，更多的網友表示了支持，并希望看見他的新功能。

對這個機器學習項目感興趣的小伙伴，可以通過下方傳送門查看~

作者介紹

Nidhal Baccouri，于今年4月在德國哥廷根大學取得碩士學位，研究方向是軟件、控制工程和人工智能。

目前，Nidhal Baccouri在汽車行業工作，研究方向是數字雙胞胎技術，會同時應用人工智能和物聯網的知識。業余時間，他喜歡做做項目，尤其是與AI和Python相關的項目。

傳送門

項目地址：
https://github.com/nidhaloff/igel