我們將使用lazypredict庫，它允許我們只用一行代碼在我們的數據集上實現許多機器學習模型，本文將演示lazypredict的快速使用。

步驟1、使用以下命令安裝lazypredict 庫：

pip install lazypredict

步驟2、導入pandas庫，以加載我們的機器學習數據集。

數據集鏈接：https ://raw.githubusercontent.com/tirthajyoti/Machine-Learning-with-Python/master/Datasets/Mall_Customers.csv

import pandas as pd
df=pd.read_csv("Mall_Customers.csv")

步驟3、查看機器學習數據集前幾行。

df.head()

步驟4、拆分訓練集和測試集。這里 Y 變量是 Spending Score 列，而其余列是 X 變量。

from sklearn.model_selection import train_test_split
x=df.loc[:,df.columns!='Spending Score (1-100)']
y=df['Spending Score (1-100)']


x_train,x_test,y_train,y_test=train_test_split(x,y,test_size=0.3)

步驟5、讓我們導入之前安裝的lazypredict庫，lazypredict里面有兩個類，一個是Classification類，一個是Regression類。

import lazypredict
from lazypredict.Supervised import LazyRegressor
from lazypredict.Supervised import LazyClassifier

導入后，我們將使用 LazyRegressor，因為我們正在處理回歸問題，如果您處理的分類問題，這兩種類型的問題都需要類似的步驟。

multiple_ML_model=LazyRegressor(verbose=0,ignore_warnings=True,predictions=True)
models,predictions=multiple_ML_model.fit(x_train,x_test,y_train,y_test)

在這里，prediction = True意味著您想要獲得每個模型的準確性并想要對每個模型進行預測。

模型的變量包含每個模型的準確度，以及其他一些重要的信息。

models

如您所見，它已經在我的回歸問題上實現了42 個 機器學習模型，本指南更側重于如何測試許多模型而不是提高它們的準確性。

查看每個機器學習模型的預測如下：

predictions

您可以使用這些預測來創建混淆矩陣。

如果您正在處理分類問題，這就是您使用lazypredict 庫的方式。

multiple_ML_model=LazyClassifier(verbose=0,ignore_warnings=True,predictions=True)
models,predictions=multiple_ML_model.fit(x_train,x_test,y_train,y_test)

要記住的關鍵點：

1. 該庫僅用于測試目的，為您提供有關哪種模型在您的數據集上表現良好的信息。
2. 因為我將要使用的庫需要的是特定版本，所以建議使用一個單獨環境。