pip install pycaret
Aus dem Jupyter-Labor
!pip install pycaret
Bitte beachten Sie, dass Sie eine Fehlermeldung erhalten, wenn die Scikit-Learn-Version nicht 0.22 ist.
Dieses Mal werden wir die vorhandenen Diabetesdaten verwenden. Kann direkt aus PyCarets get_data in einem Datenrahmen abgerufen werden.
from pycaret.datasets import get_data
df = get_data("diabetes")
Bei Regressionsproblemen
from pycaret.regression import *
Für Klassifizierungsprobleme
from pycaret.classification import *
setup () führt die Codierung von Kategoriedaten, die Verarbeitung fehlender Werte und die Datenaufteilung (train_test_split) durch. Geben Sie das Ziel mit target = an.
experiment = setup(df, target="Class variable")
Sie können Modelle einfach wie folgt vergleichen: Es ist bequem. k-fach ist standardmäßig 10. Sie können die Anzahl der Falten angeben.
compare_models()
Es zeigt die besten Ergebnisse in Gelb.
Dies ist ebenfalls einfach und kann in einer Zeile darunter modelliert werden.
model = create_model("ada")
Diesmal habe ich mich für Ada Boost Classifier entschieden.
Tuning ist auch eine Linie! Es ist zu einfach.
tuned_model = tune_model("ada")
Sie können auch die Parameter abrufen.
tuned_model.get_params
Es kann in der Reihenfolge von oben ausgewertet, visualisiert und interpretiert werden. Sie können ein anderes Diagramm erhalten, indem Sie plot = "border" usw. in plot setzen und interpretieren.
evaluate_model(tuned_model)
plot_model(tuned_model)
interpret_model(tuned_model)
model_pred = predict_model(tuned_model)
Es gibt den vorhergesagten Wert für die geteilten Daten zurück.
predictions = predict_model(tuned_model,data=df)
Mit data = können Sie mit neuen Daten eine Vorhersage treffen.
Ich habe versucht, PyCaret mit der schnellsten Geschwindigkeit zu verwenden
Recommended Posts