洪加-邦加

使用 fit 和 predict 对所有 scikit-learn 模型及其所有参数进行暴力搜索。

---

让我们用所有 scikit-learn 参数来暴力测试所有 sklearn 模型吧！啊哈，洪加邦加！！

from hunga_bunga import HungaBungaClassifier, HungaBungaRegressor

然后简单地：

---

什么？

是的。

不！真的吗？什么？

很多人认为

监督学习（非深度学习）中大部分工作在于特征工程，而模型选择过程无非就是把所有模型都跑一遍，或者直接用 XGBoost 就行了。

所以这里就提供了一个自动化的解决方案。

工作原理

遍历所有 sklearn 模型（包括分类和回归），并尝试 所有可能的超参数，然后通过交叉验证进行排名。

模型

运行 sklearn 中所有可用于监督学习的模型 在这里。这些类别包括：

• 广义线性模型
• 核岭回归
• 支持向量机
• 最近邻
• 高斯过程
• 朴素贝叶斯
• 决策树
• 神经网络
• 集成方法

注意：有些模型被排除掉了（几乎没什么影响），还有一些模型偶尔会崩溃或抛出异常。由于测试耗时非常长，清理这些异常花了不少时间。

安装

pip install hunga-bunga

依赖项

- Python (>= 2.7)
- NumPy (>= 1.11.0)
- SciPy (>= 0.17.0)
- joblib (>= 0.11)
- scikit-learn (>=0.20.0)
- tabulate (>=0.8.2)
- tqdm (>=4.28.1)

选项一（推荐）：brain = False

与其他任何 sklearn 模型一样

clf = HungaBungaClassifier()
clf.fit(x, y)
clf.predict(x)

从这里导入

from hunga_bunga import HungaBungaClassifier, HungaBungaRegressor

选项二：brain = True

与其他任何 sklearn 模型一样

clf = HungaBungaClassifier(brain=True)
clf.fit(x, y)

输出看起来像这样：

模型	准确率	每个模型耗时 (秒)
SGDClassifier	0.967	0.001
LogisticRegression	0.940	0.001
Perceptron	0.900	0.001
PassiveAggressiveClassifier	0.967	0.001
MLPClassifier	0.827	0.018
KMeans	0.580	0.010
KNeighborsClassifier	0.960	0.000
NearestCentroid	0.933	0.000
RadiusNeighborsClassifier	0.927	0.000
SVC	0.960	0.000
NuSVC	0.980	0.001
LinearSVC	0.940	0.005
RandomForestClassifier	0.980	0.015
DecisionTreeClassifier	0.960	0.000
ExtraTreesClassifier	0.993	0.002

获胜者是：ExtraTreesClassifier，得分 0.993。

HungaBunga 快速上手指南

HungaBunga 是一个自动化工具，旨在暴力遍历 scikit-learn 库中的所有监督学习模型及其所有可能的超参数组合，并通过交叉验证进行排名，帮助用户快速找到当前数据集下的最优模型。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux, macOS 或 Windows
• Python 版本：>= 2.7 (推荐 Python 3.x)
• 核心依赖：
  • NumPy (>= 1.11.0)
  • SciPy (>= 0.17.0)
  • scikit-learn (>= 0.20.0)
  • joblib (>= 0.11)
  • tabulate (>= 0.8.2)
  • tqdm (>= 4.28.1)

注意：由于该工具需要遍历大量模型和参数组合，计算耗时较长，建议在具备多核 CPU 的环境或服务器上运行。

安装步骤

您可以使用 pip 直接安装。为了获得更快的下载速度，推荐使用国内镜像源（如清华大学开源软件镜像站）。

使用默认源安装：

pip install hunga-bunga

使用清华镜像源加速安装（推荐）：

pip install hunga-bunga -i https://pypi.tuna.tsinghua.edu.cn/simple

基本使用

HungaBunga 的使用方式与标准的 scikit-learn 模型完全一致，主要提供分类器 (HungaBungaClassifier) 和回归器 (HungaBungaRegressor) 两种接口。

1. 导入模块

from hunga_bunga import HungaBungaClassifier, HungaBungaRegressor

2. 快速模式（推荐）

此模式下，工具会自动运行所有模型和参数，并在后台完成训练，直接返回最佳模型的预测结果。适合只需获取最终预测值的场景。

# 初始化分类器
clf = HungaBungaClassifier()

# 拟合数据 (x 为特征矩阵，y 为目标向量)
clf.fit(x, y)

# 直接进行预测
predictions = clf.predict(x)

3. 详细分析模式

如果您希望查看每个模型的性能排名、准确率及训练耗时，可以启用 brain=True 参数。拟合完成后，终端将输出详细的对比表格。

# 启用详细分析模式
clf = HungaBungaClassifier(brain=True)

# 拟合数据
clf.fit(x, y)

输出示例： 运行结束后，您将看到类似以下的排名表格，工具会自动标记得分最高的模型（Winner）。

Model	accuracy	Time/clf (s)
SGDClassifier	0.967	0.001
LogisticRegression	0.940	0.001
ExtraTreesClassifier	0.993	0.002
...	...	...

The winner is: ExtraTreesClassifier with score 0.993.