MLFlow—模型实验和跟踪

MLflow是一个平台，帮助你从头到尾管理你的机器学习实验，确保可追溯性和可重复性。它提供了一个集中的存储库，用于存储你的代码、数据和模型工件，以及一个跟踪系统，记录你所有的实验，包括超参数、指标和输出。

以下是MLflow如何帮助你避免单独使用Jupyter笔记本的陷阱：

1. 集中存储库：MLflow保持你的代码、数据和模型工件组织有序且易于获取。你可以快速找到你需要的资源，而不会迷失在笔记本的迷宫中。
2. 实验跟踪：MLflow记录每一次实验，包括使用的确切代码、数据和超参数。这使你能够轻松比较不同的实验，并识别导致最佳结果的原因。
3. 可重复性：MLflow使你能以完全相同的代码、数据和环境重现你的最佳模型。这对于确保结果的一致性和可靠性至关重要。
   因此，如果你认真对待构建有效的机器学习模型，就抛弃Jupyter笔记本的混乱，拥抱MLflow的力量吧。

链接：https://mlflow.org/

Streamlit—快速且漂亮的网页应用程序

通过使用Streamlit，开发人员可以构建和分享吸引人的用户界面，并在不需要深入的前端经验或知识的情况下部署模型。该框架是免费的、全Python的、开源的，能够在短时间内创建可分享的网页应用程序。

链接：https://streamlit.io

FastAPI—轻便和快速部署你的模型（其他的还有FLask、bottle）

FastAPI是一个高性能的web框架，用于构建RESTful API。它以其简单性、易用性和速度而闻名。

• 速度：FastAPI非常快。它使用现代异步编程模型，使其能够高效地同时处理多个请求。这对于需要处理大量数据的机器学习模型部署至关重要。
• 简单性：FastAPI易于学习和使用。它具有清晰简洁的语法，使得编写干净且可维护的代码变得容易。对于不一定是经验丰富的web开发人员的机器学习工程师和数据科学家来说，这一点很重要。
• 易用性：FastAPI提供了许多功能，使构建和部署API变得容易。例如，它内置了自动文档、数据验证和错误处理的支持。这节省了时间和精力，允许机器学习工程师专注于他们的核心工作——构建和部署模型。
• 生产就绪：FastAPI是为生产环境设计的。它具有像支持多后端、安全性和部署工具等特性。这使得它成为部署关键机器学习模型的可靠选择。
  链接：https://fastapi.tiangolo.com

XGBoost—更快更好地预测表格数据

XGBoost是一种强大的机器学习算法，以其准确性、速度和可扩展性而闻名。它基于梯度提升框架，将多个弱学习器组合成一个强学习器。简单来说，你使用多个小模型（如随机森林），将它们组合成一个大模型，最终你会得到一个更快的模型（与例如神经网络相比），同时它是可扩展的，且不太容易过拟合。

• 准确性：XGBoost是现有最准确的机器学习算法之一。它已经被用于赢得许多机器学习竞赛，并且在不同的任务中一直名列前茅。
• 速度：XGBoost也非常快。它能够快速高效地在大型数据集上进行训练和预测。这使它成为速度重要应用的好选择，如实时欺诈检测或金融建模。
• 可扩展性：XGBoost具有很高的可扩展性。它可以处理大型数据集和复杂模型，而不会牺牲准确性。这使它成为数据量或模型复杂度是一个关注点的应用的好选择。

如果你有一个表格数据的任务（如基于房间数量预测房价，或根据最后购买/账户数据计算客户购买产品的可能性），在转向使用Keras或PyTorch的神经网络之前，你应该始终首先尝试XGBoost。

ELI5—模型更具有解释性和透明性

在你训练了你的模型之后，你可以部署它并使用它。但此时，模型更像是一个“黑盒子”——你输入数据，你得到输出结果。它是如何工作的？没人知道。数字从这里进去，从那里出来，最后你得到了一个答案。

那么，如果你的客户/老板问你的模型是如何得出某个特定答案的呢？同样，你不知道。或者你可能想知道在训练过程中哪些参数最重要，以及哪些只是增加了噪声？

所有这些问题都可以通过ELI5来回答。这个库将帮助你使你的模型变得透明、可解释且更易于理解。但你可能会获得更多关于模型的信息，还有数据、训练过程、权重分布和输入参数。除此之外，你可以“调试”你的模型，获得更多关于哪种架构可能更有效，以及当前模型存在什么问题的见解。

ELI5已经支持了像Scikit-Learn、Keras、XGBoost等许多其他库。你可以针对图像、文本和表格数据的分类调试你的模型。

开源库：https://github.com/TeamHG-Memex/eli5