使用 PyCaret 完成分类和回归任务

PyCaret
是一个低代码库，可以提高您的工作效率。由于花费更少的时间进行编码，您和您的团队现在可以专注于业务问题。PyCaret
是一个简单易用的机器学习库，可帮助您用更少的代码行执行端到端 ML 实验。

安装方法

pip install pycaret

使用PyCaret进行分类

读取数据集：

train = pd.read_csv('../input/titanic/train.csv')
test  = pd.read_csv('../input/titanic/test.csv')
sub   = pd.read_csv('../input/titanic/gender_submission.csv')

导入分类模型：

from pycaret.classification import *

查看数据类型：

clf1 = setup(data = train, 
             target = 'Survived',
             numeric_imputation = 'mean',
             categorical_features = ['Sex','Embarked'], 
             ignore_features = ['Name','Ticket','Cabin'],
             silent = True)

运行 & 对比精度：

compare_models()

创建单个模型：

lgbm  = create_model('lightgbm')     

对单个模型进行调参：

tuned_lightgbm = tune_model(lgbm)
plot_model(estimator = tuned_lightgbm, plot = 'learning')

打印重要性：

plot_model(estimator = tuned_lightgbm, plot = 'feature')

对测试集进行预测：

predict_model(tuned_lightgbm, data=test)

使用PyCaret进行回归

读取数据集：

train = pd.read_csv('../input/house-prices-advanced-regression-techniques/train.csv')
test  = pd.read_csv('../input/house-prices-advanced-regression-techniques/test.csv')
sample= pd.read_csv('../input/house-prices-advanced-regression-techniques/sample_submission.csv')

导入回归模型：

from pycaret.regression import *

运行 & 对比精度：

compare_models()

创建单个模型：

lgbm  = create_model('lightgbm')