pyCaret效率倍增开源低代码的python机器学习工具

作者：Python学习与数据挖掘时间：2021-01-09 10:30:26　

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 时间序列模块

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。

加载数据

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。

初始化设置

# 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)