本文來源公眾號“程序員學長”，僅用于學術分享，侵權刪，干貨滿滿。

原文鏈接：PyCaret，一個超強的 python 庫

今天給大家分享一個超強的 python 庫，PyCaret。

https://github.com/pycaret/pycaret

簡介

PyCaret 是一個開源的、低代碼的 Python 機器學習庫，可自動化機器學習工作流程。

它是一種端到端的機器學習和模型管理工具，可以成倍地加快實驗周期并提高你的工作效率。

與其他開源機器學習庫相比，PyCaret 是一個替代的低代碼庫，可以用幾行代碼替換數百行代碼。這使得實驗的速度和效率呈指數級增長。

PyCaret 本質上是多個機器學習庫和框架的 Python 包裝器，例如 scikit-learn、XGBoost、LightGBM、CatBoost、Optuna、Hyperopt、Ray 等。

PyCaret 的設計和簡單性受到了公民數據科學家這一新興角色的啟發，該術語由 Gartner 首次使用。

公民數據科學家是高級用戶，他們可以執行簡單和中等復雜的分析任務，而這些任務以前需要更多的技術專業知識。

初體驗

安裝

你可以使用 Python 的 pip 包管理器安裝 PyCaret。

pip?install?pycaret

快速入門

PyCaret 具有?「函數式API和面向對象的API」兩種形式。

函數式API

#?Classification?Functional?API?Example#?loading?sample?dataset
from?pycaret.datasets?import?get_data
data?=?get_data('juice')#?init?setup
from?pycaret.classification?import?*
s?=?setup(data,?target?=?'Purchase',?session_id?=?123)#?model?training?and?selection
best?=?compare_models()#?evaluate?trained?model
evaluate_model(best)#?predict?on?hold-out/test?set
pred_holdout?=?predict_model(best)#?predict?on?new?data
new_data?=?data.copy().drop('Purchase',?axis?=?1)
predictions?=?predict_model(best,?data?=?new_data)#?save?model
save_model(best,?'best_pipeline')

面向對象的API

#?Classification?OOP?API?Example#?loading?sample?dataset
from?pycaret.datasets?import?get_data
data?=?get_data('juice')#?init?setup
from?pycaret.classification?import?ClassificationExperiment
s?=?ClassificationExperiment()
s.setup(data,?target?=?'Purchase',?session_id?=?123)#?model?training?and?selection
best?=?s.compare_models()#?evaluate?trained?model
s.evaluate_model(best)#?predict?on?hold-out/test?set
pred_holdout?=?s.predict_model(best)#?predict?on?new?data
new_data?=?data.copy().drop('Purchase',?axis?=?1)
predictions?=?s.predict_model(best,?data?=?new_data)#?save?model
s.save_model(best,?'best_pipeline')

使用面向對象API實現時間序列分析

這里使用的數據集是 pycaret 自帶的數據集 airline。

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

?接著看：

#?init?setup
from?pycaret.time_series?import?TSForecastingExperiment
s?=?TSForecastingExperiment()
s.setup(data,fh?=?3,session_id?=?123,n_jobs=1)
best=s.compare_models()

如下圖所示，可以看到 STLF 模型的效果最好，下面我們來看一下預測的效果。

s.plot_model(best,plot?=?'forecast')

#?forecast?plot?36?days?out?in?future
s.plot_model(best,?plot?=?'forecast',?data_kwargs?=?{'fh'?:?36})

在 GPU 上訓練

要想在 GPU 上訓練模型，只需在 setup 函數中傳遞 use_gpu = True 即可。

API 的使用沒有發生變化；但是，在某些情況下，必須安裝額外的庫。

你可以在 GPU 上訓練以下模型：

• Extreme Gradient Boosting

• CatBoost

• Logistic 回歸、嶺分類器、隨機森林、K 鄰域分類器、K 鄰域回歸器、支持向量機、線性回歸、嶺回歸、套索回歸。

• Light Gradient Boosting Machine

THE END !

文章結束，感謝閱讀。您的點贊，收藏，評論是我繼續更新的動力。大家有推薦的公眾號可以評論區留言，共同學習，一起進步。