机器学习建模 with 使用工具
输入“/”快速插入内容
机器学习建模 with 使用工具
机器学习建模 with 使用工具
用户988用户9882024年5月28日修改
工具批量使用
任务
使用 DataInterpreter 对 titanic 数据集进行建模预测，并在数据预处理和特征工程阶段批量调用工具（已经预先创建了多个 data_preprocess 和 feature_engineering 类型的工具，位于目录metagpt/tools/libs下）。
代码
代码块
python examples/di/machine_learning_with_tools.py
运行结果
数据预处理代码（其中包含 3 个工具的使用：FillMissingValue、StandardScale 和 OneHotEncode）如下：
代码块
from metagpt.tools.libs.data_preprocess import FillMissingValue, StandardScale, OneHotEncode
fill_age = FillMissingValue(features=['Age'], strategy='median')
fill_embarked = FillMissingValue(features=['Embarked'], strategy='most_frequent')
train_data = fill_age.fit_transform(train_data)
train_data = fill_embarked.fit_transform(train_data)
if 'Cabin' in train_data.columns:
train_data.drop('Cabin', axis=1, inplace=True)
numerical_features = ['Age', 'SibSp', 'Parch', 'Fare']
scale = StandardScale(features=numerical_features)
scaled_features = scale.fit_transform(train_data)
for feature in numerical_features:
train_data[feature] = scaled_features[feature]
categorical_features = ['Sex', 'Embarked']
one_hot = OneHotEncode(features=categorical_features)
train_data = one_hot.fit_transform(train_data)
non_informative_columns = ['PassengerId', 'Name', 'Ticket']
train_data.drop(columns=non_informative_columns, axis=1, inplace=True, errors='ignore')
train_data.head()
特征工程代码（其中包含 1 个工具的使用：PolynomialExpansion）如下：
代码块
from metagpt.tools.libs.feature_engineering import PolynomialExpansion
numeric_features = ['Pclass', 'Age', 'SibSp', 'Parch', 'Fare']
poly_expansion = PolynomialExpansion(cols=numeric_features, label_col='Survived')
train_data = poly_expansion.fit_transform(train_data)
train_data.head()
演示
机制解释
工具创建
在 metagpt.tools.libs 目录下，我们预先定义了两类工具：数据预处理（data_preprocess）和特征工程（feature_engineering）。下面以数据预处理任务为例，给出一个简单工具的完整创建指引，包括工具的定义和注册方法。
•
首先，在 metagpt.tools.libs 目录下创建文件 data_preprocess.py。