PyCaret：简化机器学习模型构建

在Python中构建首个机器学习模型时，还记得那是一个相当繁琐的代码块。仍然记得构建集成模型需要多少行代码——那简直是一团乱麻，只有魔法师才能解开！

在构建可解释的机器学习模型时，尤其是在工业界（或者当想要向客户解释黑客马拉松结果时），编写高效的代码是成功的关键。这就是为什么强烈推荐使用PyCaret库。

如果PyCaret在作为机器学习新手的日子里就存在就好了！这是一个超级灵活且有用的库，在最近几个月中经常依赖它。坚信任何有志于成为数据科学或分析专业人士的人都将从使用PyCaret中受益匪浅。

将了解PyCaret到底是什么，如何在机器上安装它，然后将深入使用PyCaret构建可解释的机器学习模型，包括集成模型。有很多学习内容，让开始吧。

目录

• 概述
• 介绍
• PyCaret是什么以及为什么应该使用它？
• 在机器上安装PyCaret
• 让熟悉PyCaret
• 使用PyCaret训练机器学习模型
• 训练模型
• 超参数调整
• 使用PyCaret构建集成模型
• 比较模型
• 让分析模型！
• 绘制模型结果
• 评估模型
• 是时候进行预测了！
• 保存和加载模型
• 结论
• 常见问题解答

PyCaret是什么以及为什么应该使用它？

PyCaret是一个Python中的开源机器学习库，它可以帮助从数据准备到模型部署。它易于使用，可以用几乎一行代码完成每个数据科学项目任务。

发现PyCaret非常方便。以下是两个主要原因：

• 作为一个低代码库，PyCaret使更有生产力。可以减少编码时间，进行更多实验。
• 它是一个易于使用的机器学习库，可以帮助执行端到端的机器学习实验，无论是插补缺失值、编码分类数据、特征工程、超参数调整，还是构建集成模型。

在机器上安装PyCaret

这非常简单。可以直接使用pip安装PyCaret的第一个稳定版本，v1.0.0。只需在Jupyter Notebook中运行以下命令即可开始：

让熟悉PyCaret

问题陈述和数据集

在本文中，将解决一个分类问题。有一个银行数据集，包含客户年龄、经验、收入、教育以及是否拥有信用卡等特征。银行希望构建一个机器学习模型，帮助他们识别有更高可能性购买个人贷款的潜在客户。

数据集有5000行，保留了4000行用于训练模型，剩余的1000行用于测试模型。

可以通过以下链接找到本文中使用的全部代码和数据集：。

让开始使用Pandas库读取数据集：

在开始PyCaret机器学习项目之前，第一步是设置环境。这是一个两步过程：

• 导入模块：根据问题类型，首先需要导入模块。在PyCaret的第一个版本中，有6个不同的模块可用——回归、分类、聚类、自然语言处理（NLP）、异常检测和关联规则挖掘。在本文中，将解决一个分类问题，因此将导入分类模块。
• 初始化设置：在此步骤中，PyCaret执行一些基本的预处理任务，例如忽略ID和日期列、插补缺失值、编码分类变量，并将数据集分割为训练-测试分割，以便进行其余的建模步骤。当运行setup函数时，它将首先确认数据类型，然后如果按回车键，它将为创建环境。

使用PyCaret训练机器学习模型

训练模型

在PyCaret中训练模型非常简单。只需要使用create_model函数，它只需要一个参数——模型缩写作为字符串。这里，首先训练一个决策树模型，需要传递“dt”，它将返回一个表格，其中包含用于分类模型的常见评估指标的k折交叉验证分数。

类似地，对于训练XGBoost模型，只需要传递字符串“xgboost”：

超参数调整

可以使用tune_model函数调整机器学习模型的超参数，它只需要一个参数——模型缩写字符串（与在create_model函数中使用的相同）。

PyCaret为提供了很多灵活性。例如，可以使用tune_model函数中的fold参数定义折数。或者可以使用n_iter参数更改迭代次数。增加n_iter参数肯定会增加训练时间，但会获得更好的性能。

让训练一个调整过的CatBoost模型：

使用PyCaret构建集成模型

在机器学习中，集成模型结合了多个模型的决策，以提高整体性能。

在PyCaret中，可以只用一行代码创建装袋、提升、混合和堆叠集成模型。

如果想深入了解集成模型，强烈推荐这篇文章：。

让在这里训练一个提升集成模型。它也将返回一个表格，其中包含用于分类模型的常见评估指标的k折交叉验证分数：

另一个非常著名的集成技术是混合。只需要将创建的模型传递给blend_models函数的列表即可。

就是这样！在PyCaret中，只需要编写一行代码就可以完成大部分工作。

比较模型

这是PyCaret库的另一个有用功能。如果不想逐个尝试不同的模型，可以使用compare_models函数，它将训练并比较导入的模块库中所有可用模型的常见评估指标。

这个函数只在pycaret.classification和pycaret.regression模块中可用。

让分析模型！

现在，在训练模型之后，下一步是分析结果。这尤其从业务角度来看是有用的，对吧？在PyCaret中分析模型也非常简单。只需一行代码，就可以做到以下几点：

• 绘制模型结果：在PyCaret中分析模型性能就像编写plot_model一样简单。可以绘制决策边界、精确度-召回曲线、验证曲线、残差图等。对于聚类模型，可以绘制肘部图和轮廓图。对于文本数据，可以绘制词云、二元和三元频率图等。
• 解释结果：解释模型结果有助于通过分析重要特征来调试模型。这是工业级机器学习项目中的关键步骤。在PyCaret中，可以使用SHAP值和相关图仅用一行代码来解释模型（这变得越来越像一个主题了，不是吗？）

绘制模型结果

可以通过提供模型对象作为参数和想要的图表类型来绘制模型结果。让绘制AUC-ROC曲线和决策边界：

让绘制训练模型的精确度-召回曲线和验证曲线：

评估模型

如果不想单独绘制所有这些可视化图表，那么PyCaret库还有另一个惊人的功能——evaluate_model。在这个函数中，只需要传递模型对象，PyCaret将为创建一个交互式窗口，让以所有可能的方式查看和分析模型：

非常酷！

解释模型

解释复杂模型在大多数机器学习项目中非常重要。它有助于通过分析模型认为重要的内容来调试模型。在PyCaret中，这一步就像编写interpret_model来获得Shapley值一样简单。

可以在这里阅读有关Shapley值的信息：。

让尝试绘制相关图：

是时候进行预测了！

最后，将对未见数据进行预测。为此，只需要传递将用于预测的模型和数据集。确保它与之前设置环境时提供的数据集格式相同。PyCaret构建了一个包含所有步骤的管道，并将未见数据传递到管道中，然后给结果。

让看看如何在未见数据上预测标签：

保存和加载模型

现在，一旦模型构建并测试完成，可以使用save_model函数将其保存到pickle文件中。传递要保存的模型和文件名，就这样：

可以稍后加载此模型，并在未见数据上预测标签：

使用PyCaret确实这么简单。个人认为PyCaret在处理紧迫的时间线时非常有用。在不同类型的数据集上练习使用它——越是利用它，就越能真正掌握它的实用性！它甚至支持在AWS等云服务上部署模型，也只需要一行代码。

如果对本文有任何建议/反馈，请在下面的评论部分发布。期待听到使用PyCaret的经验。祝学习愉快！

Q1. PyCaret和pandas之间有什么区别？

• PyCaret：自动化机器学习任务。
• 用户友好，快速构建模型。
• 专注于ML工作流自动化。
• Pandas：管理和分析结构化数据。
• 数据清理和探索必不可少。
• 通用数据操作。