英语网站建设策划书,最新新闻热点事件2022年8月,网站开发毕业设计周志,广州有哪些广告公司PyCaret简介
随着ChatGPT和AI画图的大火#xff0c;机器学习作为实现人工智能的底层技术被大众越来越多的认知#xff0c;基于机器学习的产品也越来越多。传统的机器学习实现方法需要较强的编程能力和数据科学基础#xff0c;这使得想零基础尝试机器学习变得非常困难。 机器…PyCaret简介
随着ChatGPT和AI画图的大火机器学习作为实现人工智能的底层技术被大众越来越多的认知基于机器学习的产品也越来越多。传统的机器学习实现方法需要较强的编程能力和数据科学基础这使得想零基础尝试机器学习变得非常困难。 机器学习、深度学习和人工智能AI的关系
PyCaret 是 Python 中的开源低代码机器学习库可自动执行机器学习工作流程。它是一种端到端的机器学习和模型管理工具可以成倍地加快实验周期并提高您的工作效率。与其他开源机器学习库相比PyCaret 是一个高度封装的低代码库可以用几行代码代替数百行代码。这使得机器学习实验呈指数级快速和高效。
PyCaret的设计和简单性受到了公民数据科学家这一新兴角色的启发这是Gartner首次使用的术语。公民数据科学家是超级用户他们可以执行简单和适度复杂的分析任务而这些任务以前需要更多的专业知识。经验丰富的数据科学家通常很难找到而且雇佣成本也很高但公民数据科学家可以成为缓解这一差距并解决商业环境中与数据相关的挑战的有效途径。 Pycaret的主要功能多数可以以极少的代码自动化实现
Pycaret的特色
低代码量
与其他开源机器学习库相比PyCaret是一个替代的低代码库可以用很少的单词替换数百行代码。这使得机器学习实验能以指数级的速度和效率进行。PyCaret本质上是一个Python包装器围绕着几个机器学习库和框架如scikit learn、XGBoost、LightGBM、CatBoost、spaCy、Optuna、Hyperopt、Ray等等。除模型选择外调参数据预处理等等也可以通过同样的方式进行处理。
在常规的机器学习方法中如果想要比较多个机器学习算法的准确率和耗时等信息需要挨个进行调用或编写然后人工进行对比而在PyCaret中仅需一行代码即可完成。 利用Pycaret一行代码测试大量机器学习算法和模型的准确率和耗时请看
跨环境使用
PyCaret 是 Python 中的部署就绪库这意味着在 ML 实验中执行的所有步骤都可以使用可重现并保证生产的管道重现。管道可以保存为可跨环境传输的二进制文件格式。 Pycaret训练的模型可以保存为二进制管道
无缝衔接主流数据平台
PyCaret 及其机器学习功能与支持 Python 的环境无缝集成例如 Microsoft Power BI、Tableau、Alteryx 和 KNIME 等。这为这些 BI 平台的用户提供了巨大的力量他们现在可以将 PyCaret 集成到他们现有的工作流中并轻松添加一层机器学习。
PyCaret适用人群
希望提高生产力的经验丰富的数据科学家。喜欢低代码机器学习解决方案的公民数据科学家。想要构建快速原型的数据科学专业人士。数据科学和机器学习的学生和爱好者。
安装 PyCaret
准备工作
PyCaret在以下64位系统上得到测试和支持因此安装前需要先准备好环境支持。
1.系统环境Windows7/unbantu 16.04
2.编程环境Python3.6-3.8/Python 3.9 for Ubuntu only
最简安装
最简单安装方式是使用Python的pip包管理器安装PyCaret只需要一行代码
pip install pycaret
虚拟环境安装
安装PyCaret是在PyCaret中构建第一个机器学习模型的第一步。由于PyCaret会自动安装所有硬依赖项为了避免与其他软件包发生潜在冲突强烈建议使用虚拟环境例如conda环境。使用隔离环境可以独立于以前安装的任何Python包安装特定版本的pycaret及其依赖项。
# 创建conda环境
conda create --name yourenvname python3.8# 激活上一行创建的环境
conda activate yourenvname# 安装Pycaret
pip install pycaret# 创建一个笔记本内核并调用虚拟环境
python -m ipykernel install --user --name yourenvname --display-name display-name
PyCaret适用的问题
分类问题
分类问题指的是可以将具有不同特征的元素分类成组的一类的问题。其目标是预测离散的、无序的分类标签。一些常见的用例包括预测客户违约是或不是预测客户流失客户将离开或留下发现的疾病预后积极或消极花的类型等。 图中分界线尝试将红点和黑点分开找到这种分界线是就是一种分类问题
回归问题
回归问题是指将用于估计因变量通常称为 结果变量或 目标和一个或多个自变量通常称为 特征预测因素或 协变量之间的关系。回归的目的是预测连续值如预测销售金额、预测数量、预测温度等。 图中红线对点进行了回归如何找到最适合的红线是一个回归问题
聚类问题
聚类问题是将一组对象分组使同一组也称为聚类的对象比其他组的对象更相似。这包括找到共同表达的酶或者适合同一个环境的植物等。 PyCaret解决聚类问题的可视化呈现不同颜色代表不同聚类
异常检测问题
异常检测是一种用于识别罕见的项目、事件或观察结果的问题这些项目、事件或观察结果与大多数数据有很大的不同会引起人们的怀疑。通常情况下异常项目将转化为某种问题如银行欺诈、结构缺陷、医疗问题或某些少见的错误。 PyCaret解决异常检测问题的可视化呈现黄色为异常数据
主题模型问题
自然语言处理中有一类用来分析文本数据产生可以用于训练文本数据的主题模型。主题模型是一种统计模型用于发现文档集合中的抽象主题。 词云就是这种主题模型的一种表现方式
关联规则挖掘问题
这类问题可以理解为发现数据集中变量之间的关系。它旨在使用一些不同的度量来识别在数据库中发现的强规则。 图中所示为数据之间的包含关系
时间序列预测
时间序列预测是基于按时间顺序索引或列出或绘制的一系列数据点预测在后续时间的数据点包括海洋潮汐的高度、太阳黑子的数量和道琼斯工业平均指数的每日收盘值的预测。 图中黑色为已有数据蓝色为预测数据
一行代码实现多模型比较
比较不同模型在同一任务中的表现一直是机器学习中需要得到关注的问题这一问题在PyCaret中可以通过一行代码得到解决这可以大大加快实验机器学习模型的速度。
best compare_models() 用多种指标描述不同模型在同一时间序列预测问题的表现
多种可视化方式分析模型和数据
在训练完成模型后PyCaret集成了多种用于评价模型、数据和特征重要性的可视化方式秩序一行代码即可实现。
evaluate_model(best) 对回归模型、所用数据和特征重要性的可视化呈现
一行代码进行参数调优
对参数进行调优在机器学习模型训练中占有较大工作量Pycaret可以选择不同迭代次数、参数搜索方式等进行参数优化而且仅需一行代码即可实现。
tuned_dt tune_model(dt, n_iter 50) 参数调优结果
一行代码进行模型融合
blender blend_models([lr, dt, knn]) 模型融合结果
结语
PyCaret是我用过效率最高的机器学习工具它在高度封装和高度自动化的情况下较好的保留了可配置性。我认为PyCaret端到端的属性适合刚刚入门机器学习领域或者想要应用已有的机器学习模型和算法处理实际问题的人们。
