python機器學習工具pyCaret怎么使用

這篇文章主要介紹“python機器學習工具pyCaret怎么使用”，在日常操作中，相信很多人在python機器學習工具pyCaret怎么使用問題上存在疑惑，小編查閱了各式資料，整理出簡單好用的操作方法，希望對大家解答”python機器學習工具pyCaret怎么使用”的疑惑有所幫助！接下來，請跟著小編一起來學習吧！

PyCaret 是一個開源、低代碼的 Python 機器學習庫，可自動執行機器學習工作流。它是一種端到端的機器學習和模型管理工具，可以以指數方式加快實驗周期并提高您的工作效率。歡迎收藏學習，喜歡點贊支持，文末提供技術交流群。

與其他開源機器學習庫相比，PyCaret 是一個替代的低代碼庫，可用于僅用幾行代碼替換數百行代碼。 這使得實驗速度和效率呈指數級增長。 PyCaret 本質上是圍繞多個機器學習庫和框架（例如 scikit-learn、XGBoost、LightGBM、CatBoost、spaCy、Optuna、Hyperopt、Ray 等）的 Python 包裝器。

PyCaret 的設計和簡單性受到數據科學家這一新興角色的啟發，可以執行以前需要更多技術專長的簡單和中等復雜的分析任務。

PyCaret 時間序列模塊

PyCaret 的新時間序列模塊現已提供測試版。 秉承 PyCaret 的簡單性，它與現有的 API 保持一致，并帶有很多功能。 統計測試、模型訓練和選擇(30 多種算法)、模型分析、自動超參數調優、實驗記錄、云部署等， 所有這一切只需要幾行代碼（就像 pycaret 的其他模塊一樣）。 如果您想嘗試一下，請查看官方的快速入門筆記本。

您可以使用 pip 安裝此庫。 如果你在同一個環境中安裝了 PyCaret，由于依賴沖突，你必須為 pycaret-ts-alpha 創建一個單獨的環境。

pip install pycaret-ts-alpha

接下來安排如下

PyCaret 的時間序列模塊中的工作流程非常簡單。 它從設置功能開始，您可以在其中定義預測范圍 fh 和折疊次數。 您還可以將 fold_strategy 定義為擴展或滑動。

設置后，著名的 compare_models 函數訓練和評估從 ARIMA 到 XGboost（TBATS、FBProphet、ETS 等）的 30 多種算法。

plot_model 函數可以在訓練之前或之后使用。 在訓練前使用時，它使用 plotly 界面收集了大量時間序列 EDA 圖。 與模型一起使用時，plot_model 處理模型殘差，并可用于訪問模型擬合。

最后，predict_model 用于生成預測。

加載數據

import pandas as pd
from pycaret.datasets import get_data
data = get_data('pycaret_downloads')
data['Date'] = pd.to_datetime(data['Date'])
data = data.groupby('Date').sum()
data = data.asfreq('D')
data.head()

# plot the data
data.plot()

這個時間序列是從 pip 每天下載 PyCaret 庫的次數。

初始化設置

# with functional API
from pycaret.time_series import *
setup(data, fh = 7, fold = 3, session_id = 123)
# with new object-oriented API
from pycaret.internal.pycaret_experiment import TimeSeriesExperiment
exp = TimeSeriesExperiment()
exp.setup(data, fh = 7, fold = 3, session_id = 123)

統計測試

check_stats()

探索性數據分析

# functional API
plot_model(plot = 'ts')
# object-oriented API
exp.plot_model(plot = 'ts')

# cross-validation plot
plot_model(plot = 'cv')

# ACF plot
plot_model(plot = 'acf')

# Diagnostics plot
plot_model(plot = 'diagnostics')

# Decomposition plot
plot_model(plot = 'decomp_stl')

模型訓練和選擇

# functional API
best = compare_models()
# object-oriented API
best = exp.compare_models()

時間序列模塊中的 create_model 就像在其他模塊中一樣。

# create fbprophet model
prophet = create_model('prophet')
print(prophet)

tune_model 也沒有太大不同。

tuned_prophet = tune_model(prophet)
print(tuned_prophet)

plot_model(best, plot = 'forecast')

# forecast in unknown future
plot_model(best, plot = 'forecast', data_kwargs = {'fh' : 30})

# in-sample plot
plot_model(best, plot = 'insample')

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

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

保存模型

# finalize model
final_best = finalize_model(best)
# generate predictions
predict_model(final_best, fh = 90)

# save the model
save_model(final_best, 'my_best_model')

到此，關于“python機器學習工具pyCaret怎么使用”的學習就結束了，希望能夠解決大家的疑惑。理論與實踐的搭配能更好的幫助大家學習，快去試試吧！若想繼續學習更多相關知識，請繼續關注億速云網站，小編會繼續努力為大家帶來更多實用的文章！