在當(dāng)今快節(jié)奏的數(shù)字世界中，機(jī)構(gòu)們使用低代碼/無代碼(LC/NC)應(yīng)用來快速構(gòu)建新的信息系統(tǒng)。本文將介紹 PyCaret，這是一個(gè)用 Python 編寫的低代碼機(jī)器學(xué)習(xí)庫。

PyCaret 是 R 編程語言中 Caret(分類和回歸訓(xùn)練Classification And REgression Training的縮寫)包的 Python 版本，具有許多優(yōu)點(diǎn)。

提高工作效率： PyCaret 是一個(gè)低代碼庫，可讓你提高工作效率。由于花費(fèi)更少的時(shí)間進(jìn)行編碼，你和你的團(tuán)隊(duì)現(xiàn)在可以專注于業(yè)務(wù)問題。

易于使用： 這個(gè)簡單易用的機(jī)器學(xué)習(xí)庫將幫助你以更少的代碼行執(zhí)行端到端的機(jī)器學(xué)習(xí)實(shí)驗(yàn)。

可用于商業(yè)： PyCaret 是一個(gè)可用于商業(yè)的解決方案。它允許你從選擇的 notebook 環(huán)境中快速有效地進(jìn)行原型設(shè)計(jì)。

你可以在 Python 中創(chuàng)建一個(gè)虛擬環(huán)境并執(zhí)行以下命令來安裝 PyCaret 完整版：

pip install pycaret [full]

機(jī)器學(xué)習(xí)從業(yè)者可以使用 PyCaret 進(jìn)行分類、回歸、聚類、異常檢測、自然語言處理、關(guān)聯(lián)規(guī)則挖掘和時(shí)間序列分析。

使用 PyCaret 構(gòu)建分類模型

本文通過從 PyCaret 的數(shù)據(jù)倉庫中獲取 Iris 數(shù)據(jù)集來解釋使用 PyCaret 構(gòu)建分類模型。

我們將使用 Google Colab 環(huán)境使事情變得簡單，并按照下面提到的步驟進(jìn)行操作。

步驟 1

首先，通過給出以下命令安裝 PyCaret：

pip install pycaret

步驟 2

接下來，加載數(shù)據(jù)集，如圖 2 所示：

Loading the data set

    from pycaret.datasets import get_data
    dataset = get_data('iris') 
    （或者）
    import pandas as pd 
    dataset = pd.read_csv('/path_to_data/file.csv')

步驟 3

現(xiàn)在設(shè)置 PyCaret 環(huán)境，如圖 2 所示：

PyCaret environment setup

    from pycaret.classification import *
    clf1 = setup(data=dataset, target = ‘species’)

PyCaret environment setup result

使用 PyCaret 構(gòu)建任何類型的模型，環(huán)境設(shè)置是最重要的一步。默認(rèn)情況下，setup() 函數(shù)接受參數(shù) data(Pandas 數(shù)據(jù)幀)和 target(指向數(shù)據(jù)集中的類標(biāo)簽變量)。setup() 函數(shù)的結(jié)果如圖 3 所示。 setup() 函數(shù)默認(rèn)將 70% 的數(shù)據(jù)拆分為訓(xùn)練集，30% 作為測試集，并進(jìn)行數(shù)據(jù)預(yù)處理，如圖 3 所示。

步驟 4

接下來，找到最佳模型，如圖 4 所示：

Finding the best model

best = compare_models()

默認(rèn)情況下，compare_models() 應(yīng)用十倍交叉驗(yàn)證，并針對具有較少訓(xùn)練時(shí)間的不同分類器計(jì)算不同的性能指標(biāo)，如準(zhǔn)確度、AUC、召回率、精度、F1 分?jǐn)?shù)、Kappa 和 MCC，如圖 4 所示。通過將 tubro=True 傳遞給 compare_models() 函數(shù)，我們可以嘗試所有分類器。

步驟 5

現(xiàn)在創(chuàng)建模型，如圖 5 所示：

Creating the model

lda_model=create_model (‘lda’)

線性判別分析分類器表現(xiàn)良好，如圖 4 所示。因此，通過將 lda 傳遞給 create_model() 函數(shù)，我們可以擬合模型。

步驟 6

下一步是微調(diào)模型，如圖 6 所示。

Tuning the model

tuned_lda=tune_model(lda_model)

超參數(shù)的調(diào)整可以提高模型的準(zhǔn)確性。tune_model() 函數(shù)將線性判別分析模型的精度從 0.9818 提高到 0.9909，如圖 7 所示。

Tuned model details

步驟 7

下一步是進(jìn)行預(yù)測，如圖 8 所示：

Predictions using the tuned model

predictions=predict_model(tuned_lda)

predict_model() 函數(shù)用于對測試數(shù)據(jù)中存在的樣本進(jìn)行預(yù)測。

步驟 8

現(xiàn)在繪制模型性能，如圖 9 所示：

Evaluating and plotting the model performance — confusion matrix

evaluate_model(tuned_lda)

evaluate_model() 函數(shù)用于以最小的努力開發(fā)不同的性能指標(biāo)。你可以嘗試它們并查看輸出。