Чтобы просмотреть модели и построить график их эффективности, вы можете использовать различные методы. Вот несколько подходов, которые вы можете рассмотреть:

1. Ручной цикл: вы можете вручную перебирать список моделей и оценивать их производительность. Для каждой модели обучите ее на своем наборе данных, рассчитайте показатели производительности (такие как точность, точность, полнота, показатель F1 и т. д.) и постройте график результатов с помощью таких библиотек, как Matplotlib или Seaborn.

2. Перекрестная проверка поиска по сетке. Если вы хотите настроить гиперпараметры для каждой модели, вы можете использовать перекрестную проверку поиска по сетке. Определите сетку значений гиперпараметров для каждой модели, а затем используйте цикл для перебора комбинаций. Обучите и оцените модели, используя каждый набор гиперпараметров, и постройте график показателей производительности.

3. Конвейер с поиском по сетке. Если вы используете scikit-learn, вы можете создать конвейер, который сочетает в себе предварительную обработку функций, обучение модели и оценку. Используйте GridSearchCV для выполнения поиска по сетке по гиперпараметрам каждой модели в конвейере. Это позволяет автоматически перебирать модели при построении графика их производительности.

4. Библиотеки автоматизированного машинного обучения (AutoML). Библиотеки AutoML, такие как Auto-Sklearn, H2O или TPOT, обеспечивают автоматический выбор модели и настройку гиперпараметров. Эти библиотеки обычно включают в себя алгоритм поиска, который исследует различные модели и их конфигурации гиперпараметров. Они могут автоматически перебирать модели, обучать их, оценивать производительность и предлагать наиболее эффективную модель.