PyCaret — это библиотека машинного обучения с открытым исходным кодом на Python для обучения и развертывания моделей машинного обучения с учителем и без учителя в малокодовой среде. Его можно использовать для выполнения сложных задач машинного обучения с помощью всего нескольких строк кода.
Название Caret является сокращением от Cклассификации, Aи регрессии T. Он заслуживает похвалы за простоту использования и эффективность. По сравнению с другими библиотеками машинного обучения с открытым исходным кодом, PyCaret представляет собой альтернативную библиотеку с низким кодом. Он помогает как новичкам, так и профессиональным специалистам по данным проводить комплексные эксперименты по машинному обучению.
Сравнить модели
Это одна из самых полезных функций библиотеки PyCaret. Если вы не хотите пробовать разные модели одну за другой, вы можете использовать функцию сравнения моделей, и она будет обучать и сравнивать общие метрики оценки для всех доступных моделей в библиотеке импортированного вами модуля.
- функция сравнения_моделей — обучает все модели в библиотеке моделей с использованием гиперпараметров по умолчанию и оценивает показатели производительности с помощью перекрестной проверки. Метрики, используемые для классификации: Accuracy, AUC, Recall, Precision, F1, Kappa, MCC. Показатели, используемые для регрессии: MAE, MSE, RMSE, R2, RMSLE, MAPE.
Регистрация эксперимента
PyCaret встраивает компонент отслеживания MLflow в качестве серверного API и пользовательского интерфейса для регистрации параметров, версий кода, метрик и выходных файлов при запуске кода машинного обучения и для визуализации результатов.
Настройка гиперпараметров
PyCaret обладает большой гибкостью. Например, мы можем определить количество сгибов с помощью параметра fold в функции tune_model. Или можно контролировать общее количество оценок с помощью аргумента n_iter. Функция принимает экземпляр модели для настройки в качестве входных данных и знает, какие гиперпараметры следует настраивать автоматически.
Оцените модели
Если мы не хотим строить все визуализации по отдельности, чтобы понять и оценить производительность, то в библиотеке PyCaret есть еще одна потрясающая функция — evaluate_model. В этой функции нужно просто передать объект модели, и PyCaret создаст интерактивное окно для визуализации и анализа модели всеми возможными способами.
- evaluate_model — используется для оценки производительности обученной модели машинного обучения.
PyCaret позволяет нам быстро и легко создавать модели машинного обучения, что делает его идеальным выбором для начинающих по сравнению с другими библиотеками, такими как scikit-learn. Кроме того, PyCaret могут использовать опытные специалисты по обработке и анализу данных для быстрого и эффективного создания прототипов.
Спасибо за чтение.
Свяжитесь со мной в Linkedin по адресу
