这篇教程pyCaret效率倍增开源低代码的python机器学习工具写得很实用，希望能帮到您。
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 pdfrom pycaret.datasets import get_datadata = get_data('pycaret_downloads')data['Date'] = pd.to_datetime(data['Date'])data = data.groupby('Date').sum()data = data.asfreq('D')data.head()
# plot the datadata.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 APIfrom pycaret.time_series import *setup(data, fh = 7, fold = 3, session_id = 123)# with new object-oriented APIfrom pycaret.internal.pycaret_experiment import TimeSeriesExperimentexp = TimeSeriesExperiment()exp.setup(data, fh = 7, fold = 3, session_id = 123) 
统计测试
探索性数据分析# functional APIplot_model(plot = 'ts')# object-oriented APIexp.plot_model(plot = 'ts') 
# cross-validation plotplot_model(plot = 'cv') 
# ACF plotplot_model(plot = 'acf') 
# Diagnostics plotplot_model(plot = 'diagnostics') 
# Decomposition plotplot_model(plot = 'decomp_stl') 
模型训练和选择# functional APIbest = compare_models()# object-oriented APIbest = 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 modelprophet = 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 futureplot_model(best, plot = 'forecast', data_kwargs = {'fh' : 30})
# in-sample plotplot_model(best, plot = 'insample') 
# residuals plotplot_model(best, plot = 'residuals') 
# diagnostics plotplot_model(best, plot = 'diagnostics') 
保存模型# finalize modelfinal_best = finalize_model(best)# generate predictionspredict_model(final_best, fh = 90) 
# save the modelsave_model(final_best, 'my_best_model') 
以上就是pyCaret效率倍增开源低代码的python机器学习工具的详细内容，更多关于python机器学习工具Pycaret的资料请关注51zixue.net其它相关文章！
python机器学习使数据更鲜活的可视化工具Pandas_Alive
pyhton学习与数据挖掘self原理及应用分析 |
