PyCaret初学者指南

最新推荐文章于 2024-07-10 18:00:48 发布
最新推荐文章于 2024-07-10 18:00:48 发布
阅读量960 收藏 6
点赞数 2
文章标签： python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_42034590/article/details/130383868
版权

🚀分类

PyCaret的分类模块是一个监督机器学习模块，用于将元素分类到组中。
目标是预测离散和无序的类别标签。一些常见的用例包括预测客户违约（是或否）、预测客户流失（客户将离开或留下）、发现疾病（阳性或阴性）。
该模块可用于二进制或多类问题。

setup

此函数初始化训练环境并创建转换管道。执行任何其他函数之前必须调用设置函数。它需要两个必需的参数：数据和目标。所有其他参数都是可选的。

# load sample dataset
from pycaret.datasets import get_data
data = get_data('diabetes')

在这里插入图片描述
PyCaret 3.0有两个API。您可以根据自己的喜好选择其中之一。实验结果与功能测试结果一致。

Functional API

from pycaret.classification import *
s = setup(data, target = 'Class variable', session_id = 123)

在这里插入图片描述
OOP API

from pycaret.classification import ClassificationExperiment
s = ClassificationExperiment()
s.setup(data, target = 'Class variable', session_id = 123)

在这里插入图片描述

比较模型（Compare Models）

此函数使用交叉验证为模型库中可用的所有估计量定型并评估其性能。该函数的输出是一个评分网格，其中包含平均交叉验证分数。可以使用get_metrics函数访问CV期间评估的指标。可以使用add_metric和remove_metric函数添加或删除自定义指标。

# functional API
best = compare_models()

# OOP API
best = s.compare_models()

在这里插入图片描述

print(best)

在这里插入图片描述

分析模型（Analyze Model）

该函数分析训练模型在测试集上的性能。在某些情况下，可能需要重新训练模型。

# functional API
evaluate_model(best)

# OOP API
s.evaluate_model(best)

在这里插入图片描述
evaluate_model只能在Notebook中使用，因为它使用ipywidget。也可以使用plot_model函数单独生成图。

# functional API
plot_model(best, plot = 'auc')

# OOP API
s.plot_model(best, plot = 'auc')

在这里插入图片描述

# functional API
plot_model(best, plot = 'confusion_matrix')

# OOP API
s.plot_model(best, plot = 'confusion_matrix')

在这里插入图片描述

预测（Predictions）

此函数对数据进行评分，并返回预测类的prediction_label和prediction_score概率。当数据为“无”时，它预测测试集（在设置功能期间创建）上的标签和分数。

# functional API
predict_model(best)

# OOP API
s.predict_model(best)

在这里插入图片描述
在测试集上计算评估度量。第二个输出是pd.DataFrame，其中包含对测试集的预测（请参见最后两列）。要在看不见的（新的）数据集上生成标签，只需在predict_model函数下的data参数中传递数据集。

# functional API
predictions = predict_model(best, data=data)
predictions.head()

# OOP API
predictions = s.predict_model(best, data=data)
predictions.head()

在这里插入图片描述
注意： 分数意味着预测类的概率（不是正类）。如果prediction_label为0并且prediction_score为0.90，则这意味着类0的概率为90%。如果你想看到两个类的概率，只需在predict_model函数中传递raw_score=True。

# functional API
predictions = predict_model(best, data=data, raw_score=True)
predictions.head()

# OOP API
predictions = s.predict_model(best, data=data, raw_score=True)
predictions.head()

在这里插入图片描述

保存模型（Save the model）
# functional API
save_model(best, 'my_best_pipeline')

# OOP API
s.save_model(best, 'my_best_pipeline')

在这里插入图片描述
要将模型加载回环境中，请执行以下操作：

# functional API
loaded_model = load_model('my_best_pipeline')
print(loaded_model)

# OOP API
loaded_model = s.load_model('my_best_pipeline')
print(loaded_model)

在这里插入图片描述

🚀 回归

PyCaret的回归模块是一个有监督的机器学习模块，用于估计因变量（通常称为"结果变量"或"目标"）与一个或多个自变量（通常称为"特征"、“预测因子"或"协变量”）之间的关系。
回归的目的是预测连续值，如预测销售额、预测数量、预测温度等。

Setup
# load sample dataset
from pycaret.datasets import get_data
data = get_data('insurance')

在这里插入图片描述
Functional API

from pycaret.regression import *
s = setup(data, target = 'charges', session_id = 123)

在这里插入图片描述
OOP API

from pycaret.regression import RegressionExperiment
s = RegressionExperiment()
s.setup(data, target = 'charges', session_id = 123)

在这里插入图片描述

比较模型（Compare Models）
# functional API
best = compare_models()

# OOP API
best = s.compare_models()

在这里插入图片描述

print(best)

在这里插入图片描述

分析模型（Analyze Model）
# functional API
evaluate_model(best)

# OOP API
s.evaluate_model(best)

在这里插入图片描述

# functional API
plot_model(best, plot = 'residuals')

# OOP API
s.plot_model(best, plot = 'residuals')

在这里插入图片描述

# functional API
plot_model(best, plot = 'feature')

# OOP API
s.plot_model(best, plot = 'feature')

在这里插入图片描述

预测（Predictions）
# functional API
predict_model(best)

# OOP API
s.predict_model(best)

在这里插入图片描述

# functional API
predictions = predict_model(best, data=data)
predictions.head()

# OOP API
predictions = s.predict_model(best, data=data)
predictions.head()

在这里插入图片描述

保存模型（Save the model）
# functional API
save_model(best, 'my_best_pipeline')

# OOP API
s.save_model(best, 'my_best_pipeline')

在这里插入图片描述
加载模型：

# functional API
loaded_model = load_model('my_best_pipeline')
print(loaded_model)

# OOP API
loaded_model = s.load_model('my_best_pipeline')
print(loaded_model)

在这里插入图片描述

🚀 聚类

PyCaret的聚类模块是一个无监督的机器学习模块，它执行对一组对象进行分组的任务，使得同一组（也称为集群）中的对象比其他组中的对象更相似。

Setup

此函数初始化训练环境并创建转换管道。执行任何其他函数之前必须调用设置函数。它只需要一个必需的参数：数据。所有其他参数都是可选的。

# load sample dataset
from pycaret.datasets import get_data
data = get_data('jewellery')

在这里插入图片描述
Functional API

from pycaret.clustering import *
s = setup(data, normalize = True)

在这里插入图片描述
OOP API

from pycaret.clustering import ClusteringExperiment
s = ClusteringExperiment()
s.setup(data, normalize = True)

在这里插入图片描述

创建模型（Create Model）

该函数训练和评估给定模型的性能。可以使用get_metrics函数访问评估的指标。可以使用add_metric和remove_metric函数添加或删除自定义指标。所有可用的模型都可以使用模型功能访问。

# functional API
kmeans = create_model('kmeans')

# OOP API
kmeans = s.create_model('kmeans')

在这里插入图片描述

print(kmeans)

在这里插入图片描述

分析模型（Analyze Model）

此函数分析训练模型的性能。

# functional API
evaluate_model(kmeans)

# OOP API
s.evaluate_model(kmeans)

在这里插入图片描述

# functional API
plot_model(kmeans, plot = 'elbow')

# OOP API
s.plot_model(kmeans, plot = 'elbow')

在这里插入图片描述

# functional API
plot_model(kmeans, plot = 'silhouette')

# OOP API
s.plot_model(kmeans, plot = 'silhouette')

在这里插入图片描述

指定模型（Assign Model）

该函数为给定训练模型的训练数据分配聚类标签。

# functional API
result = assign_model(kmeans)
result.head()

# OOP API
result = s.assign_model(kmeans)
result.head()

在这里插入图片描述

预测（Predictions）

该函数使用新的/未见过的数据集上的训练模型生成聚类标签。

# functional API
predictions = predict_model(kmeans, data = data)
predictions.head()

# OOP API
predictions = s.predict_model(kmeans, data = data)
predictions.head()

在这里插入图片描述

保存模型（Save the model）
# functional API
save_model(kmeans, 'kmeans_pipeline')

# OOP API
s.save_model(kmeans, 'kmeans_pipeline')

在这里插入图片描述
加载模型：

# functional API
loaded_model = load_model('kmeans_pipeline')
print(loaded_model)

# OOP API
loaded_model = s.load_model('kmeans_pipeline')
print(loaded_model)

在这里插入图片描述

🚀 异常检测

PyCaret的异常检测模块是一个无监督的机器学习模块，用于识别罕见的项目，事件或观察结果，这些项目，事件或观察结果与大多数数据明显不同，从而引起怀疑。
通常，异常项目将转化为某种问题，例如银行欺诈、结构缺陷、医疗问题或错误。

Setup

此函数初始化训练环境并创建转换管道。在执行任何其他函数之前，必须调用setup函数。它只需要一个必需的参数：数据。所有其他参数都是可选的。

# load sample dataset
from pycaret.datasets import get_data
data = get_data('anomaly')

在这里插入图片描述
Functional API

from pycaret.anomaly import *
s = setup(data, session_id = 123)

在这里插入图片描述
OOP API

from pycaret.anomaly import AnomalyExperiment
s = AnomalyExperiment()
s.setup(data, session_id = 123)

在这里插入图片描述

创建模型（Create Model）

该函数训练无监督异常检测模型。所有可用的模型都可以使用模型功能访问。

# functional API
iforest = create_model('iforest')
print(iforest)

# OOP API
iforest = s.create_model('iforest')
print(iforest)

在这里插入图片描述

# functional API
models()

# OOP API
s.models()

在这里插入图片描述

分析模型（Analyze Model）
# functional API
plot_model(iforest, plot = 'tsne')

# OOP API
s.plot_model(iforest, plot = 'tsne')

在这里插入图片描述

# functional API
plot_model(iforest, plot = 'umap')

# OOP API
s.plot_model(iforest, plot = 'umap')

在这里插入图片描述

指定模型（Assign Model）

该函数为给定模型的数据集分配异常标签。（1 =离群值，0 =内点）。

# functional API
result = assign_model(iforest)
result.head()

# OOP API
result = s.assign_model(iforest)
result.head()

在这里插入图片描述

预测（Predictions）

该函数使用新的/未见过的数据集上的训练模型生成异常标签。

# functional API
predictions = predict_model(iforest, data = data)
predictions.head()

# OOP API
predictions = s.predict_model(iforest, data = data)
predictions.head()

在这里插入图片描述

保存模型（Save the model）
# functional API
save_model(iforest, 'iforest_pipeline')

# OOP API
s.save_model(iforest, 'iforest_pipeline')

在这里插入图片描述
加载模型：

# functional API
loaded_model = load_model('iforest_pipeline')
print(loaded_model)

# OOP API
loaded_model = s.load_model('iforest_pipeline')
print(loaded_model)

在这里插入图片描述

🚀 时间序列

PyCaret时间序列模块是一个强大的工具，用于使用机器学习和经典统计技术分析和预测时间序列数据。该模块通过自动化从数据准备到模型部署的整个过程，使用户能够轻松执行复杂的时间序列预测任务。
PyCaret时间序列预测模块支持广泛的预测方法，如ARIMA，Prophet和LSTM。它还提供了各种功能来处理缺失值、时间序列分解和数据可视化。

Setup
# load sample dataset
from pycaret.datasets import get_data
data = get_data('airline')

在这里插入图片描述
Functional API

from pycaret.time_series import *
s = setup(data, fh = 3, fold = 5, session_id = 123)

在这里插入图片描述
OOP API

from pycaret.time_series import TSForecastingExperiment
s = TSForecastingExperiment()

在这里插入图片描述

比较模型（Compare Models）

此函数使用交叉验证为模型库中可用的所有估计量定型并评估其性能。该函数的输出是一个评分网格，其中包含平均交叉验证分数。可以使用get_metrics函数访问CV期间评估的指标。可以使用add_metric和remove_metric函数添加或删除自定义指标。

# functional API
best = compare_models()

# OOP API
best = s.compare_models()

在这里插入图片描述

分析模型（Analyze Model）
# functional API
plot_model(best, plot = 'forecast', data_kwargs = {'fh' : 24})

# OOP API
s.plot_model(best, plot = 'forecast', data_kwargs = {'fh' : 24})

在这里插入图片描述

# functional API
plot_model(best, plot = 'diagnostics')

# OOP API
s.plot_model(best, plot = 'diagnostics')

在这里插入图片描述

# functional API
plot_model(best, plot = 'insample')

# OOP API
s.plot_model(best, plot = 'insample')

在这里插入图片描述

预测（Predictions）
# functional API
final_best = finalize_model(best)
predict_model(best, fh = 24)

# OOP API
final_best = s.finalize_model(best)
s.predict_model(best, fh = 24)

在这里插入图片描述

保存模型（Save the model）
# functional API
save_model(final_best, 'my_final_best_model')

# OOP API
s.save_model(final_best, 'my_final_best_model')

在这里插入图片描述
加载模型：

# functional API
loaded_model = load_model('my_final_best_model')
print(loaded_model)

# OOP API
loaded_model = s.load_model('my_final_best_model')
print(loaded_model)

在这里插入图片描述

python收藏家
关注
  • 2
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
pycaret的具体使用流程
wxfu2010的博客
01-02 4538
PyCaret的具体使用流程 PyCaret是Python中的一个开源、低代码机器学习库，旨在减少从数据处理到模型部署的周期时间。PyCaret库只需几行代码就可以完成从准备数据到部署模型，其中包括有数据处理，模型训练，参数搜索，模型可解释性，模型选择，实验日志查询。 一、PyCaret安装 在使用pycaret库进行机器学习处理时，pycaret2.3要求scikit-learn在是0.22版，然而，在python3.7下没有找到相应匹配的版本。为避免安装不兼容，我首先尝试了将pycaret降级为2.0版
Pycaret详细介绍该库用法及案例（分类方法案例胎儿状态分类指南）
sjjsaaaa的博客
12-28 3357
Pycaret 基本流程一般包含：读取数据->建模/对比模型->模型预测->绘图分析->模型导出 安装pycaret见此篇博文——>安装pycaret遇到的问题 使用此命令：——pip --default-timeout=100 install pycaret -i http://pypi.douban.com/simple/ --trusted-host pypi.douban.com 另附官方源码——>https://github.com/pycaret/pycare
Pycaret使用教程
xudonglovedandan的博客
06-21 9172
文档链接：https://pycaret.org/setup/ 模块介绍： 1.数据导入 #Importing data using pandas import pandas as pd data = pd.read_csv('c:/path_to_data/file.csv’) #Loading data from pycaret from pycaret.datasets import get_data data = get_data('juice’) 2.导入模型模块 #
程序员学长 | PyCaret，一个超强的 python 库
最新发布
csdn_xmj的博客
07-10 801
PyCaret 是一个开源的、低代码的 Python 机器学习库，可自动化机器学习工作流程。它是一种端到端的机器学习和模型管理工具，可以成倍地加快实验周期并提高你的工作效率。与其他开源机器学习库相比，PyCaret 是一个替代的低代码库，可以用几行代码替换数百行代码。这使得实验的速度和效率呈指数级增长。PyCaret 本质上是多个机器学习库和框架的 Python 包装器，例如 scikit-learn、XGBoost、LightGBM、CatBoost、Optuna、Hyperopt、Ray 等。
【PyCaret】使用PyCaret创建机器学习Pipeline进行多分类任务
qq_43426908的博客
03-21 1149
PyCaret是一个开源的、不用写很多代码的Python机器学习库，可以自动化机器学习工作流程，是一个端到端的机器学习和模型管理工具，可以成倍地加快实验周期，提高工作效率。PyCaret本质上是几个机器学习库和框架的封装，比如scikit-learn、XGBoost、LightGBM、CatBoost、spaCy、Optuna、Hyperopt、Ray等等。
工具系列：PyCaret介绍_模型训练详细教程
数智笔记
12-22 1541
返回目录当您只运行时，它将使用所有默认的超参数设置来训练决策树。如果您想要更改它，只需在函数中传递属性即可。# 导入数据集# 初始化设置# 训练决策树模型# 输出决策树模型的参数print(dt)返回目录您可以使用自己的自定义模型进行训练，或使用其他不属于 pycaret 的库中的模型。只要它们的 API 与sklearn保持一致，就可以轻松使用。# 导入数据集# 初始化设置# 导入自定义模型# 训练自定义模型# 创建了一个名为sc_trained的变量，用于存储训练好的符号分类器模型。
IDAPython 初学者指南
05-27
IDAPython 初学者指南 IDAPython 初学者指南 IDAPython 初学者指南
PYTHON编程初学者指南
03-20
内容提要: 本书是为Python初学者量身打造的一本书，其特色在于通过众多较小的、有趣的游戏编程实例来教授Python编程知识，让学习Python的过程充满了乐趣。... Python编程初学者指南[M]. 北京：人民邮电出版社, 2014.11.
BOX2D物理游戏编程初学者指南
07-23
资源名称：BOX2D 物理游戏编程初学者指南资源截图： 资源太大，传百度网盘了，链接在附件中，有需要的同学自取。
Python编程初学者指南.pdf
10-26
Python编程初学者指南.pdf
Solidity编程 - 构建以太坊和区块链智能合约的初学者指南
03-09
Solidity编程 - 构建以太坊和区块链智能合约的初学者指南
PyCaret一个开源低代码机器学习 Python 库-python
06-18
PyCaret一个开源低代码机器学习 Python 库 ，它支持在「低代码」环境中训练和部署有监督以及无监督的机器学习模型。 PyCaret 什么是 PyCaret？ PyCaret 是 Python 中的开源低代码机器学习库，旨在减少 ML 实验中从假设到洞察的周期时间。 它使数据科学家能够快速有效地执行端到端实验。 与其他开源机器学习库相比，PyCaret 是一个替代的低代码库，只需几行代码即可用于执行复杂的机器学习任务。 PyCaret 本质上是围绕多个机器学习库和框架（例如 scikit-learn、XGBoost、Microsoft LightGBM、spaCy 等）的 Python 包装器。 PyCaret 的设计和简单性受到公民数据科学家这一新兴角色的启发，这是 Gartner 首次使用的术语。 公民数据科学家是高级用户，可以执行以前需要更多专业知识的简单和中等复杂的分析任务。 经验丰富的数据科学家通常很难找到且招聘成本高昂，但公民数据科学家可以成为缩小这一差距并解决业务环境中与数据相关的挑战的有效方法。 PyCaret 简单、易于使用和部署就绪。 在
ML-using-Pycaret:使用Pycaret预测二进制分类问题的最佳模型并将该模型部署在云上
03-27
ML使用Pycaret 使用Pycaret预测二进制分类问题的最佳模型并将该模型部署在云上 选择果汁分类数据集 可用型号清单 可用指标列表，也可以添加或删除指标 检查预处理管道的配置 检查在MLflow服务器上进行的所有更改： 使用调整和集成来改善模型的指标
零基础机器学习--自动化库Pycaret快速入门指南之回归任务
wormhacker的博客
02-08 529
PyCaret的回归模块是一个有监督的机器学习模块，用于估计因变量（通常称为 "结果变量"，或 "目标"）和一个或多个自变量（通常称为 "特征"，"预测因素"，或 "协变量"）之间的关系。如果所有的数据类型都是正确的，你可以按回车键，或者键入退出退出设置。这个函数使用交叉验证法对模型库中所有可用的估计器的性能进行训练和评估。PyCaret是一个代码量超低的机器学习库，它有效的自动化了机器学习工作流。要在未见过的（新）数据集上生成标签，只需在predict_model函数中传递数据集。
机器学习 低代码 ML：PyCaret 的使用
小嗷犬的博客
01-31 1146
PyCaret是一个开源的低代码 Python 库，专注于简化机器学习（ML）工作流程并加速实验过程。它特别适用于数据科学家、分析师和开发人员，通过减少实现 ML 解决方案所需的繁琐编码工作来提高工作效率。PyCaret 可以在一个统一且用户友好的接口下提供多种机器学习任务的支持，包括但不限于分类、回归、聚类、异常检测、关联规则挖掘等。低代码自动化PyCaret 允许用户通过简洁的 API 调用快速执行数据预处理、特征工程、模型训练、模型评估和模型选择等步骤。
PyCaret：低代码自动化的机器学习工具
wormhacker的博客
01-03 645
随着ChatGPT和AI画图的大火，机器学习作为实现人工智能的底层技术被大众越来越多的认知，基于机器学习的产品也越来越多。传统的机器学习实现方法需要较强的编程能力和数据科学基础，这使得想零基础尝试机器学习变得非常困难。机器学习、深度学习和人工智能（AI）的关系PyCaret是 Python 中的开源低代码机器学习库，可自动执行机器学习工作流程。它是一种端到端的机器学习和模型管理工具，可以成倍地加快实验周期并提高您的工作效率。
【机器学习 pycaret神器】PyCaret是一个超级有用的Python库
赖德发的博客
12-17 2802
PyCaret是一个超级有用的Python库，使用PyCaret构建机器学习模型。用于在短时间内执行多个机器学习任务，依赖PyCaret在几行代码中可以构建复杂的机器学习模型，适合数据分析和新手小白，不需要写太多代码，也适合入门的算法工程师。 PyCaret是Python中一个开源的机器学习库，它可以帮助你从数据准备到模型部署。它很容易使用，你可以用一行代码完成几乎所有的数据科学项目任务。PyCaret非常方便。以下是两个主要原因： PyCaret是一个代码库，它使你的工作效率更高。你可以在代码上花更少的
pycaret安装详解
qq_27052367的博客
06-19 4425
在anaconda中，使用anaconda prompt安装pycaret，然后再jupyter notebook中使用pycaret.
pycaret快速上手
rglkt的博客
08-03 3314
在前段时间里面,我觉得使用sklearn进行机器学习以及足够方便了.方便的离谱的那种,时常会觉得自己用sklearn有点水,直到我今天尝试了pycaret,我才明白啥叫懒惰推进人类发展.pycaret更是方便的离谱. 安装方式 pip install pycaret (由于要装挺多依赖的,所以可能有点慢,如果安装的时候报错了,多安几次就好) 官方的教程,jupyter notebook形式的 from pycaret.classification import * from pycaret.dataset
ZigBee初学者指南：从概念到协议
"这篇教程是针对ZigBee编程初学者的入门指南，旨在帮助解决学习过程中的迷茫，讲解ZigBee的基本概念和技术术语，包括设备类型、射频信道、绑定机制、配置文件、寻址方式以及数据传输模式等核心知识点。" 在ZigBee...
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值