[PYTHON] Kostenlose Version von DataRobot! ?? Einführung in "PyCaret", eine Bibliothek, die maschinelles Lernen automatisiert

Was ist PyCaret?

Ich habe gerade den Artikel [Ankündigung von PyCaret 1.0.0] gelesen (https://towardsdatascience.com/announcing-pycaret-an-open-source-low-code-machine-learning-library-in-python-4a1f1aad8d46). .. Da es sich um eine interessante Bibliothek handelte, wird in diesem Artikel erläutert, wie PyCaret tatsächlich verwendet wird. ** PyCaret ist eine Python-Bibliothek, mit der Sie Datenvorverarbeitung, Visualisierung und Modellentwicklung in der Modellentwicklung für maschinelles Lernen mit nur wenigen Codezeilen durchführen können. ** ** **

PyCaret ist ein Python-Wrapper für einige der wichtigsten Bibliotheken für maschinelles Lernen (Scikit-Learn, XGBoost, LightGBM usw.). Es kann Klassifizierung, Regression, Clustering, Erkennung von Anomalien und Verarbeitung natürlicher Sprache verarbeiten. PyCaret ist sozusagen wie eine kostenlose Version von DataRobot.

Grundsätzlich scheint es, dass Sie alles von der Vorverarbeitung, Modellierung, Leistungsbewertung, Optimierung und Visualisierung aus tun können. Zusätzlich kann gestapelt werden. (Einige Bewertungsindizes wie Zeitreihenanalyse und Protokollverlust sind nicht verfügbar.) PyCaret/Github

Außerdem hat die Zielgruppe bereits eine Reihe von maschinellem Lernen mit scicit-learn eingeführt! Ist derjenige, der sagt. (Wenn Sie ein Anfänger im maschinellen Lernen sind, verstehen Sie den Inhalt möglicherweise nicht. Lassen Sie uns vorerst etwas Zeit verbringen. Ich denke, das endet mit dem Gefühl. Es tut mir leid für den internen Service, aber [AI Academy](https: // aiacademy). Versuchen Sie, mit dem Programmieren des maschinellen Lernens mit jp /) usw. zu beginnen.)

Es gibt auch ein Video, in dem erklärt wird, wie PyCaret für die [Erkennung von Kreditkartenbetrug] von kaggle verwendet wird (https://www.kaggle.com/mlg-ulb/creditcardfraud).

Probieren wir PyCaret aus!

Installieren Sie zuerst PyCaret.

Bei der Installation über ein Terminal oder eine Eingabeaufforderung können Sie mit dem folgenden Befehl installieren.

pip install pycaret

In Jupyter Notebook und Google Colab können Sie es mit dem folgenden Befehl mit einem! Am Anfang installieren.

!pip install pycaret

Laden Sie die erforderlichen Module und bereiten Sie die Daten vor

Dieses Mal werde ich versuchen, mehrere Klassen anhand des Iris-Datensatzes zu klassifizieren. Laden Sie zunächst den erforderlichen Code.

import warnings
#Ich werde unnötige Warnungen löschen
warnings.filterwarnings("ignore")
#Diesmal die Hauptrolle! Laden Sie PyCaret.
from pycaret.classification import *
#Laden Sie den Iris-Datensatz.
from sklearn.datasets import load_iris
#Da es Datenrahmen verarbeitet, liest es auch Pandas.
import pandas as pd

Bereiten Sie als Nächstes die Daten vor.

iris = load_iris()
X = pd.DataFrame(iris.data, columns=iris.feature_names)
y = pd.DataFrame(iris.target, columns=["target"])
df = pd.concat([X,y], axis=1)

Die ersten 5 Elemente werden angezeigt.

df.head()

Vorverarbeitung

Jetzt! Vorverarbeitung.

Wenn Sie ** setup () ** verwenden, werden fehlende Werte behandelt, Daten geteilt usw.

Übergeben Sie die Zielvariable an das Ziel.

exp1 = setup(df, target = 'target')

Vergleichen wir die Modelle

Verwenden Sie zum Vergleichen von Modellen einfach ** compare_models () **.

compare_models()

Modellieren

Geben Sie den Namen des für das Training verwendeten Algorithmus unter https://pycaret.org/create-model/ ein. Dieses Mal verwenden wir die "Quadratische Diskriminanzanalyse" und den Entscheidungsbaum, die die höchste Genauigkeitsrate aufweisen. Für die quadratische Diskriminanzanalyse scheint es, dass Sie 'qda' eingeben können, also geben Sie diesmal qda ein.

qda = create_model('qda')

Versuchen wir auch den Entscheidungsbaum.

tree = create_model('dt')

Tuning

Lassen Sie uns den Entscheidungsbaum optimieren.

tuned_tree = tune_model('dt')

Parameter abrufen

tuned_tree.get_params

Modellvisualisierung

plot_model(tuned_qda)

plot_model(tuned_tree)

Ensemble lernen

lgbm = create_model('lightgbm')
xgboost = create_model('xgboost')

ensemble = blend_models([lgbm, xgboost])

Stapeln

stack = stack_models(estimator_list = [xgboost], meta_model = lgbm)

Prognose

pred = predict_model(qda)

Ja, bequem.

Schließlich

In nur wenigen Zeilen konnte ich es vervollständigen. .. Ich denke, ich werde es von nun an nach und nach benutzen.

Referenzseite

Dies ist ein Artikel, den ich als Referenz verwendet habe. Bitte beachten Sie es zusätzlich zu diesem Artikel.

Referenzartikel 1 Referenzartikel 2 [Referenzartikel 3](https://techtech-sorae.com/%E6%A9%9F%E6%A2%B0%E5%AD%A6%E7%BF%92%E3%81%AE%E8%87 % AA% E5% 8B% 95% E5% 8C% 96% E3% 83% A9% E3% 82% A4% E3% 83% 96% E3% 83% A9% E3% 83% AA% E3% 80% 8Cpycaret % E3% 80% 8D% E3% 82% 92% E4% BD% BF% E3% 81% A3% E3% 81% A6% E3% 81% BF% E3% 81% 9F /)

Die Person, die diesen Artikel geschrieben hat

Cyber Brain Co., Ltd. Repräsentativer Direktor und CEO Kazunori Tani Wir freuen uns auf Ihr Follow-up! Twitter Facebook Wir betreiben auch eine KI-Community mit mehr als 5.000 Teilnehmern. Wir informieren Sie täglich über KI und freuen uns auf Ihre Teilnahme! Forschungsgemeinschaft für künstliche Intelligenz AI Academy