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

與其他開源機(jī)器學(xué)習(xí)庫(kù)相比，PyCaret 是一個(gè)替代的低代碼庫(kù)，可用于僅用幾行代碼替換數(shù)百行代碼。 這使得實(shí)驗(yàn)速度和效率呈指數(shù)級(jí)增長(zhǎng)。 PyCaret 本質(zhì)上是圍繞多個(gè)機(jī)器學(xué)習(xí)庫(kù)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(jì)和簡(jiǎn)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(zhǎng)的簡(jiǎn)單和中等復(fù)雜的分析任務(wù)。

PyCaret 時(shí)間序列模塊

PyCaret 的新時(shí)間序列模塊現(xiàn)已提供測(cè)試版。 秉承 PyCaret 的簡(jiǎn)單性，它與現(xiàn)有的 API 保持一致，并帶有很多功能。 統(tǒng)計(jì)測(cè)試、模型訓(xùn)練和選擇(30 多種算法)、模型分析、自動(dòng)超參數(shù)調(diào)優(yōu)、實(shí)驗(yàn)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(qǐng)查看官方的快速入門筆記本。

您可以使用 pip 安裝此庫(kù)。 如果你在同一個(gè)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(gè)單獨(dú)的環(huán)境。

pip install pycaret-ts-alpha

接下來安排如下

PyCaret 的時(shí)間序列模塊中的工作流程非常簡(jiǎn)單。 它從設(shè)置功能開始，您可以在其中定義預(yù)測(cè)范圍 fh 和折疊次數(shù)。 您還可以將 fold_strategy 定義為擴(kuò)展或滑動(dòng)。

設(shè)置后，著名的 compare_models 函數(shù)訓(xùn)練和評(píng)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(shí)，它使用 plotly 界面收集了大量時(shí)間序列 EDA 圖。 與模型一起使用時(shí)，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(cè)。

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(gè)時(shí)間序列是從 pip 每天下載 PyCaret 庫(kù)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(jì)測(cè)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(shí)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(jī)器學(xué)習(xí)工具的詳細(xì)內(nèi)容，更多關(guān)于python機(jī)器學(xué)習(xí)工具Pycaret的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！

最新評(píng)論