人工智能如何加速你的机器学习项目从特征工程到模型训练

人工智能如何加速你的机器学习项目从特征工程到模型训练 欢迎来到雲闪世界。

在本文中，我们将重点介绍这些 AI 工具如何协助机器学习项目。机器学习是数据科学的基石。虽然使用 LLM 模型完全自动化建模过程具有挑战性，但这些 AI 工具仍然可以显著简化许多 ML 步骤的流程。

添加图片注释，不超过 140 字（可选）

构建机器学习模型的步骤 与如今通常可以通过 AI 工具实现自动化的 SQL 或 EDA 不同，机器学习是另一种野兽。事实上，我花了很长时间才写这篇文章，因为我一直在努力思考应该如何评估 AI 工具，以及如何确定评分标准。 退一步来说，要评估哪种 AI 工具在协助 ML 项目方面真正大放异彩，至关重要的是要了解这些工具在 ML 模型构建的关键阶段可以做什么和不能做什么。以下是机器学习的八个基本步骤： 1. 问题定义：明确定义您要解决的问题。这包括了解业务背景、目标和期望结果。

• 人工智能辅助：有限。人工智能工具可以帮助澄清问题陈述，但如果没有人工输入，通常很难掌握复杂的业务背景。

2. 数据收集：从各种来源收集相关数据，这可能涉及访问数据库、API 或网络抓取。

• 人工智能辅助：有限。虽然聊天机器人可能会建议数据来源，但繁重的数据收集工作通常需要人工或与团队合作。

3. 探索性数据分析 (EDA)：清理和预处理数据，并分析其结构、分布和关系。这涉及诸如输入缺失值、生成可视化和进行相关性分析等任务。

• AI 辅助：强大。AI 工具擅长生成可视化效果、提供描述性统计数据以及快速从数据中提出见解。

4.特征工程：创建新特征或转换现有特征以提高模型性能。这包括特征提取和选择。

• AI 辅助：强大。AI 可以建议新功能，解释某些转换可能有用的原因，并自动执行某些功能工程任务。

5.模型选择：根据问题类型和数据特点选择合适的机器学习模型（例如回归、分类、聚类）。

• AI 辅助：中等。AI 可以根据问题描述和数据推荐模型，但你可能需要进行实验才能找到最佳匹配。

6. 模型训练和评估：根据数据训练模型，并使用适当的指标评估其性能。这涉及调整超参数并通过交叉验证选择最佳模型。

• AI 辅助：中等。AI 可以帮助生成训练脚本、建议评估指标和调整超参数，但运行代码通常需要外部执行和自动化。

7. 模型部署：将模型部署到生产环境中，以便对新数据进行预测。

• AI 协助：有限。AI 聊天机器人可以指导您完成部署过程，但无法取代所需的实际工作。

8. 监控和维护：持续监控生产中的模型性能，根据需要重新训练，并解决随时间推移出现的任何漂移或退化。

• 人工智能辅助：有限。虽然人工智能可能会建议使用监控工具，但持续维护是一项超出大多数人工智能工具（尤其是聊天机器人界面）能力的任务。

综上所述，AI 能够发挥最大作用的步骤是 EDA 和特征工程，并在模型选择、训练和评估方面提供一些有价值的指导。由于我们已经评估了 AI 在 EDA 中的表现，因此我们将重点介绍本文中的其余步骤。 评估机器学习中的人工智能聊天机器人 为了测试这些工具，我使用了Kaggle 的在线支付欺诈检测数据集（ CC0：公共领域许可证）。欺诈检测是一种非常常见的机器学习用例，可以通过监督学习和无监督学习方法来实现。这个数据集太大，无法满足这三种工具的文件上传限制。因此，我提取了一个 0.5% 的随机样本（3181 行），欺诈率（真阳性率）为 0.2%。 我们将按照以下标准评估人工智能工具。

评估标准

1.特征工程

我首先上传带有列描述的数据集，并要求 AI 工具建议特征工程技术。

你是一家银行的数据科学家。
你获得了一个在线支付数据集，其中包含有关欺诈交易的历史信息。
你的目标是建立一个机器学习模型来检测在线支付中的欺诈行为。

以下是详细的列描述：
``` 
step：表示时间单位，1 步等于 1 小时
type：在线交易类型
amount：交易金额
nameOrig：开始交易的客户
oldbalanceOrg：交易前的余额
newbalanceOrig：交易后的余额
nameDest：交易收款人
oldbalanceDest：交易前收款人的初始余额
newbalanceDest：交易后收款人的新余额
isFraud：欺诈交易
```

让我们一步一步地完成任务。首先，请关注特征工程。
你能建议一些可以帮助提高我的模型性能的特征工程技术吗？
请考虑转换、特征之间的交互以及任何可能相关的特定于领域的特征。
为每个建议的特征或转换提供简要说明。

ChatGPT-4o（3/3）：

ChatGPT 提出了八类特征，涵盖了各种各样的特征转换、交互和新的特征构想。

• 特征转换：ChatGPT建议对分类变量进行独热编码或频率编码。这是处理分类变量最常见的两种方法。

• 特征交互：ChatGPT 建议基于现有列创建余额差异、相对金额和交易时间等特征来检测交易异常。这些也是现实世界欺诈检测中常用的特征。

• 新功能：ChatGPT 还提出了意想不到的受益者的创意功能理想。

添加图片注释，不超过 140 字（可选）

我要求它在可能的情况下生成代码来创建新功能，整个过程运行良好，没有任何错误。

添加图片注释，不超过 140 字（可选）

克劳德 3.5 十四行诗（3/3） 克劳德提出了 10 类特征：

• 它首先将特征分类为基于时间、交易金额、余额相关、基于频率等主题。

• 然后它介绍了其他特征工程技术，如分类编码、交互、聚合等。

• 一些特征可以从现有的数据集中计算出来，而其他特征则是附加特征，例如交易速度特征。

它还能够生成正确计算特征的 Python 代码。

添加图片注释，不超过 140 字（可选）

添加图片注释，不超过 140 字（可选）

添加图片注释，不超过 140 字（可选）

双子座进阶版 (3/3) Gemini 提供了五类特征工程思路。其中许多与 ChatGPT 和 Claude 上面提出的非常相似。它生成的代码也表现良好。

添加图片注释，不超过 140 字（可选）

添加图片注释，不超过 140 字（可选）

2. 模型选择 接下来我让AI工具推荐最合适的模型："Can you recommend the most suitable machine learning models for this task? For each recommended model, provide a brief explanation of why it is appropriate and mention any important considerations for using it effectively"。 聊天GPT-4o (3/3) ChatGPT 列出了八个具有明确用例和注意事项的候选模型。这几乎涵盖了所有常见的分类模型，以及用于异常检测的无监督模型（KNN 和孤立森林）。它还推荐了起点和后续步骤。 当我问它会选择什么具体模型时，它回答说，考虑到不平衡的数据集、捕捉复杂模式的能力、对特征重要性的洞察以及高效且良好的性能。这与业界的一般做法非常吻合。Gradient Boosting Machines (GBM), specifically XGBoost or LightGBM

添加图片注释，不超过 140 字（可选）

添加图片注释，不超过 140 字（可选）

添加图片注释，不超过 140 字（可选）

添加图片注释，不超过 140 字（可选）

克劳德 3.5 十四行诗（3/3） Claude 还列出了 7 个候选模型，既有监督模型也有无监督模型。它还列出了集成方法，这绝对是提高模型性能的好方法。与 ChatGPT 类似，它建议从梯度提升模型开始。

添加图片注释，不超过 140 字（可选）

添加图片注释，不超过 140 字（可选）

添加图片注释，不超过 140 字（可选）

添加图片注释，不超过 140 字（可选）

双子座进阶版 (3/3) Gemini 给出了五项模型建议，从逻辑回归到基于树的模型和神经网络。它进一步列出了不平衡数据集的四个重要考虑因素，这在欺诈检测的背景下非常重要。 我继续提问If I don’t have the `isFraud` column, what model will you recommend?以测试它对无监督模型的了解。它推荐了 Isolation Forest，这与 ChatGPT 和 Claude 一致。

添加图片注释，不超过 140 字（可选）

添加图片注释，不超过 140 字（可选）

3.模型训练与评估 现在我们进入最后一轮——模型训练和评估。这是我的提示：Can you provide the code to train an XGBoost model? Please ensure that it includes steps like splitting the data into training and testing sets and performing cross-validation. Please also suggest the appropriate evaluation metrics and potential hyperparameters tunning opportunities. ChatGPT-4o（3.5/4） ChatGPT 提供了准确且结构良好的代码脚本，涵盖了从模型训练、评估和交叉验证到超参数调整的所有方面。代码成功运行，没有任何错误。它还解释了评估指标的选择，并提供了具有良好理由的超参数调整建议。 到目前为止，一切看起来都很好。但是，我仍然扣了 0.5 分，因为它没有涵盖对不平衡数据集的任何处理，例如上采样、SMOTE 或调整 XGBoost 中的相关参数（例如scale_pos_weight）。我们的数据集只有 0.2% 的真阳性率，因此在训练模型时必须考虑到这一点。这凸显了仅依赖 AI 工具进行机器学习的一个重大缺点——它们可以生成功能代码，但由于现实世界数据的复杂性，可能会忽略关键步骤，例如处理不平衡数据集。

添加图片注释，不超过 140 字（可选）

添加图片注释，不超过 140 字（可选）

克劳德 3.5 十四行诗（3/4） Claude 还提供了全面的代码，涵盖了从训练和评估到超参数调整的所有必要步骤。其中包括使用 SMOTE 处理类别不平衡的步骤。但是，当我尝试在本地运行代码时，由于某些列中缺少值，我遇到了 SMOTE 错误。它的超参数调整代码在方法中也存在语法错误fit。 因此，我给它4分中的3分。

添加图片注释，不超过 140 字（可选）

添加图片注释，不超过 140 字（可选）

添加图片注释，不超过 140 字（可选）

我想提出的另一个非常重要的问题是，Claude 在早期步骤中创建了基于频率的特征（例如transaction_count_per_customer，unique_recipients_per_customer）。然而，这些特征是在训练和测试分割之前基于完整数据集计算的，这会导致潜在的数据泄露。当我向 Claude 提出这个问题时，他很快就意识到了这个问题，并提出了基于时间的分割等解决方案。然而，这是另一个很好的例子，说明如果没有领域专业知识，LLM 很容易忽略细微差别。虽然我没有因此扣分——但因为 ChatGPT 和 Gemini 没有遇到的问题而惩罚 Claude 似乎有点不公平，因为他们没有创建这些特征。

添加图片注释，不超过 140 字（可选）

双子座进阶版 (2/4) Gemini 还选择了合理的评估指标。它提供的代码涵盖了基本的模型训练、交叉验证和评估。但是，它没有从数据框中排除分类变量，导致在本地运行模型训练时出错。当我要求它生成用于超参数调整的代码时，它首先在聊天机器人界面中显示一些错误消息并失败，然后提供带有明显语法错误的代码……（不幸的是，在我的整个测试中，Gemini 是这三种 AI 工具中最不稳定的。） 因此，我给它打 2 分（满分 4 分）。

添加图片注释，不超过 140 字（可选）

添加图片注释，不超过 140 字（可选）

添加图片注释，不超过 140 字（可选）

最终结果

添加图片注释，不超过 140 字（可选）

在本轮 ML 助手竞赛中，获胜者是......🥁 ChatGPT-4o！ 这主要归功于它在模型训练和评估过程中代码生成的准确性很高。同时，这三种工具在特征工程和模型选择方面都表现出了强大的能力。 话虽如此，人工智能工具在协助机器学习方面仍然存在许多局限性：

1. 他们擅长提出新功能、推荐模型和生成代码，但将这些步骤集成为一个无缝的流程仍然是一个挑战。

2. 此外，人类专业知识在今天的机器学习中仍然至关重要。如果你不了解处理不平衡数据集的必要性，那么仅仅按照 ChatGPT 的脚本操作就会错过这一步。同样，由于特征工程设置不当而导致的 Claude 数据泄露问题也是人类专业知识仍然不可或缺的另一个完美例子。

总而言之，人工智能工具（尤其是 ChatGPT-4o）是生成新特征、探索各种模型选项和制定评估策略的绝佳头脑风暴伙伴。然而，构建稳健有效的机器学习模型仍然需要人类的专业知识。

感谢关注雲闪世界。（Aws解决方案架构师vs开发人员&GCP解决方案架构师vs开发人员）