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

與其他開源機器學(xué)習(xí)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(shù)百行代碼。 這使得實驗速度和效率呈指數(shù)級增長。 PyCaret 本質(zhì)上是圍繞多個機器學(xué)習(xí)庫和框架（例如 scikit-learn、XGBoost、LightGBM、CatBoost、spaCy、Optuna、Hyperopt、Ray 等）的 Python 包裝器。

PyCaret 的設(shè)計和簡單性受到數(shù)據(jù)科學(xué)家這一新興角色的啟發(fā)，可以執(zhí)行以前需要更多技術(shù)專長的簡單和中等復(fù)雜的分析任務(wù)。

PyCaret 時間序列模塊

PyCaret 的新時間序列模塊現(xiàn)已提供測試版。 秉承 PyCaret 的簡單性，它與現(xiàn)有的 API 保持一致，并帶有很多功能。 統(tǒng)計測試、模型訓(xùn)練和選擇(30 多種算法)、模型分析、自動超參數(shù)調(diào)優(yōu)、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(huán)境中安裝了 PyCaret，由于依賴沖突，你必須為 pycaret-ts-alpha 創(chuàng)建一個單獨的環(huán)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(shè)置功能開始，您可以在其中定義預(yù)測范圍 fh 和折疊次數(shù)。 您還可以將 fold_strategy 定義為擴展或滑動。

設(shè)置后，著名的 compare_models 函數(shù)訓(xùn)練和評估從 ARIMA 到 XGboost（TBATS、FBProphet、ETS 等）的 30 多種算法。

plot_model 函數(shù)可以在訓(xùn)練之前或之后使用。 在訓(xùn)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(yù)測。

加載數(shù)據(jù)

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(shù)。

初始化設(shè)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(tǒng)計測試

check_stats()

探索性數(shù)據(jù)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(xùn)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')

以上就是pyCaret效率倍增開源低代碼的python機器學(xué)習(xí)工具的詳細(xì)內(nèi)容，更多關(guān)于python機器學(xué)習(xí)工具Pycaret的資料請關(guān)注本站其它相關(guān)文章！

版權(quán)聲明：本站文章來源標(biāo)注為YINGSOO的內(nèi)容版權(quán)均為本站所有，歡迎引用、轉(zhuǎn)載，請保持原文完整并注明來源及原文鏈接。禁止復(fù)制或仿造本網(wǎng)站，禁止在非maisonbaluchon.cn所屬的服務(wù)器上建立鏡像，否則將依法追究法律責(zé)任。本站部分內(nèi)容來源于網(wǎng)友推薦、互聯(lián)網(wǎng)收集整理而來，僅供學(xué)習(xí)參考，不代表本站立場，如有內(nèi)容涉嫌侵權(quán)，請聯(lián)系alex-e#qq.com處理。