这篇文章主要介绍“python机器学习工具pyCaret怎么使用”,在日常操作中,相信很多人在python机器学习工具pyCaret怎么使用问题上存在疑惑,小编查阅了各式资料,整理出简单好用的操作方法,希望对大家解答”python机器学习工具pyCaret怎么使用”的疑惑有所帮助!接下来,请跟着小编一起来学习吧!
PyCaret 是一个开源、低代码的 Python 机器学习库,可自动执行机器学习工作流。它是一种端到端的机器学习和模型管理工具,可以以指数方式加快实验周期并提高您的工作效率。欢迎收藏学习,喜欢点赞支持,文末提供技术交流群。
与其他开源机器学习库相比,PyCaret 是一个替代的低代码库,可用于仅用几行代码替换数百行代码。 这使得实验速度和效率呈指数级增长。 PyCaret 本质上是围绕多个机器学习库和框架(例如 scikit-learn、XGBoost、LightGBM、CatBoost、spaCy、Optuna、Hyperopt、Ray 等)的 Python 包装器。
PyCaret 的设计和简单性受到数据科学家这一新兴角色的启发,可以执行以前需要更多技术专长的简单和中等复杂的分析任务。
PyCaret 的新时间序列模块现已提供测试版。 秉承 PyCaret 的简单性,它与现有的 API 保持一致,并带有很多功能。 统计测试、模型训练和选择(30 多种算法)、模型分析、自动超参数调优、实验记录、云部署等, 所有这一切只需要几行代码(就像 pycaret 的其他模块一样)。 如果您想尝试一下,请查看官方的快速入门笔记本。
您可以使用 pip 安装此库。 如果你在同一个环境中安装了 PyCaret,由于依赖冲突,你必须为 pycaret-ts-alpha 创建一个单独的环境。
pip install pycaret-ts-alpha
接下来安排如下
PyCaret 的时间序列模块中的工作流程非常简单。 它从设置功能开始,您可以在其中定义预测范围 fh 和折叠次数。 您还可以将 fold_strategy 定义为扩展或滑动。
设置后,著名的 compare_models 函数训练和评估从 ARIMA 到 XGboost(TBATS、FBProphet、ETS 等)的 30 多种算法。
plot_model 函数可以在训练之前或之后使用。 在训练前使用时,它使用 plotly 界面收集了大量时间序列 EDA 图。 与模型一起使用时,plot_model 处理模型残差,并可用于访问模型拟合。
最后,predict_model 用于生成预测。
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()
这个时间序列是从 pip 每天下载 PyCaret 库的次数。
# 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)
check_stats()
# 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')
# functional API best = compare_models() # object-oriented API best = exp.compare_models()
时间序列模块中的 create_model 就像在其他模块中一样。
# create fbprophet model prophet = create_model('prophet') print(prophet)
tune_model 也没有太大不同。
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')
# 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,关于“python机器学习工具pyCaret怎么使用”的学习就结束了,希望能够解决大家的疑惑。理论与实践的搭配能更好的帮助大家学习,快去试试吧!若想继续学习更多相关知识,请继续关注亿速云网站,小编会继续努力为大家带来更多实用的文章!
免责声明:本站发布的内容(图片、视频和文字)以原创、转载和分享为主,文章观点不代表本网站立场,如果涉及侵权请联系站长邮箱:is@yisu.com进行举报,并提供相关证据,一经查实,将立刻删除涉嫌侵权内容。