作者：东哥起飞
来源：Python数据科学
学习数据科学很久了，从数据探索、数据预处理、数据模型搭建和部署这些过程一直有些重复性的工作比较浪费时间，尤其当你有个新的想法想要快速尝试下效果的时候，效率很低。
东哥最近发现一个开源的Python机器学习库，名字叫PyCaret，这个轮子正好可以为了解决我刚才所描述的困扰，它的特点是以low-code低代码量来快速解决从数据预处理到模型部署的整个流程。
用了一下感觉确实有点香，因此也和大家分享一下。
PyCaret是什么？
PyCaret是一个将我们常用到的机器学习库进行封装了的轮子。
常用的都有啥呢？
比如pandas,numpy做数据处理的，matplotlib,seaborn数据可视化的，sklearn,xgboost,catboost,lightgbm等各种模型的，总共有30个。在安装PyCaret的时候会附带着一起都安装上。
封装这么多库干什么用？
PyCaret依赖了这么多的神库肯定是要搞事情啊。没错，机器学习中的一些操作步骤都可在PyCaret自动开发的pipeline中进行复现。在 Pycaret 中所执行的所有操作均按顺序存储在 Pipeline 中，该 Pipeline 针对模型部署进行了完全配置。
PyCaret就像是把所有都安排好了一样，我们按照它定义的函数使用就可以了。不管是填充缺失值、转换类别数据、执行特征工程设计，还是调参，Pycaret 都能够自动执行。 所以才可以实现用几行代码搞定从预处理到模型部署的整个流程。
而且pipeline可以保存为二进制文件格式，支持在不同环境中进行迁移。
PyCaret支持的模型算法
PyCaret支持6个模块，有监督和无监督模型的训练和部署，分别有分类、回归、聚类、异常检测、自然语言处理和关联规则挖掘。
PyCaret安装
pip install pycaret
老样子，命令行pip install皆可安装。
为了防止安装的这些依赖可能与之前你已安装过的发生冲突，建议可以创建个Python的虚拟环境安装PyCaret以减少不必要的麻烦，比如用python3 virtualenv或者conda。就拿conda为例吧。
#创建一个新的虚拟环境
conda create --name yourenvname python=3.7
#激活
conda activate yourenvname
#安装
pip install pycaret
如果不好使也可以尝试从源安装。
pip install C:/path_to_download/pycaret-version.tar.gz
PyCaret如何使用？
像这种数据建模类的工作会涉及很多交互式的操作，所以东哥首推在Jupyter notebook中运行代码。
PyCaret库的函数有五个大类，初始化、模型训练、模型集成、模型分析与模型部署，基本上覆盖了我们正常建模的顺序，只不过预处理都在初始化中完成了。具体使用方法见后面实例。
一、初始化
PyCaret初始化包括了两部分内容，一、获取数据；二、建立环境。
1. 获取数据
PyCaret自带了很多数据集，样本几万条的，特征几百个的，对于我们练习绝对是够用了。比如这样：
from pycaret.datasets import get_data
data = get_data('juice')
2. 建立环境
这一步是必须的。首先，我们要选择使用哪个模块，分类、回归、聚类
还是其他的。比如我们要用classification分类模型。
from pycaret.datasets import get_data
diabetes = get_data('diabetes')
# 初始化
from pycaret.classification import *
clf1 = setup(data = diabetes, target = 'Class variable')
上面setup函数就建立了基础环境，其中参数约束了数据集和目标变量。
setup参数除了上面这两个以外，还有N多个参数可以控制。所有预处理的步骤都会应用至 setup() 中，PyCaret 拥有 20 余项功能可运用于 ML 相关的数据准备，比如样本的划分、数据预处理，缺失值处理、独热编码、归一化、特征工程、特征选择等等。
比如要用归一化，那么令normalize为Ture就好了，其它的同理。
clf1 = setup(data = pokemon, target = 'Legendary', normalize = True)
如果还要用其他的，在setup里面加就好了，至于处理的顺序不用我们管，pipeline已经自动搞定了。
另外，PyCaret 的一大优点是：Pipeline 可保存成二进制，轻松地在各环境之间相互迁移，比如大规模运行或是轻松部署到生产环境中。
模型训练
模型训练包括三个部分，模型比较，模型创建，模型调优。
1. 模型比较
这是模型训练的第一步。compare_models 函数会训练模型库中的所有模型，并使用 k 折交叉验证（默认 k=10）来比较常见的评估指标。所使用的评估指标如下所示：
分类模块：
Accuracy,AUC,Recall,Precision,F1,Kappa回归模块：
MAE,MSE,RMSE,R2,RMSLE,MAPE
下面是模型比较函数的使用，只需要这么一行代码！
# 比较所有模型
compare_models()
来看一下结果，直接给出所有模型跑出的结果，直观地对比。
2. 模型创建
当我们比较了各模型的结果后，知道了哪个模型最适合，这时只要在创建函数create_model中传入一个模型参数就行，同样一行代码搞定。
# 创建逻辑回归模型
lr = create_model('lr')
PyCaret 有 60 多个开源即用型算法，每个模型都有对应的缩写（可以查表），比如上面逻辑回归直接写上lr就可以完成。
变量lr存储一个由create_model函数返回的训练模型对象，可以通过在变量后使用标点.来访问训练对象的原始属性。
3. 模型调优
同样的，在模型调优tune_model函数中传入模型lr参数，PyCaret将自动调优。
# 调节 LR 模型
tuned_lr = tune_model('lr')
模型集成
1. 集成模型
模型集成函数ensemble_model可以直接调用生成的模型对象，然后做集成处理。默认使用Bagging方法用于模型集成，用户也可函数中的method参数将其转换为Boosting。
# 创建一个决策树模型
dt = create_model('dt')
dt_bagged = ensemble_model(dt)
除此外，PyCaret还提供了blend_models 和 stack_models 功能，来集成多个训练好的模型。
2. blend模型
# blend_models 混合特殊的模型
blender = blend_models(estimator_list = [dt, catboost, lightgbm])
3. stack模型
# 创建单个模型，用于stacking
ridge = create_model('ridge')
lda = create_model('lda')
gbc = create_model('gbc')
xgboost = create_model('xgboost')
# stacking 模型
stacker = stack_models(estimator_list = [ridge,lda,gbc], meta_model = xgboost)
模型分析
模型分析主要可以做两个事情：一、模型绘制；二、模型解释。
1. 模型绘制
我们需要分析什么模型指标，只要传入函数中即可，比如对adaboost模型分析AUC指标。
# 创建逻辑回归模型
adaboost = create_model('adaboost')
plot_model(adaboost, plot = 'auc') # AUC plot
plot_model(adaboost, plot = 'boundary') # Decision Boundary
plot_model(adaboost, plot = 'pr') # Precision Recall Curve
plot_model(adaboost, plot = 'vc') # Validation Curve
如果你不想单独绘制所有这些可视化，那么PyCaret库有另一个惊人的功能evaluate_model。在此功能中，只需要传递模型对象，PyCaret将创建一个交互式窗口，供你·以所有可能的方式查看和分析模型：
2. 模型解释
在大多数机器学习项目中，解释复杂模型非常重要。通过分析模型认为重要的内容，有助于模型调优。在PyCaret中，此步骤非常简单，只需编写interpret_model即可获取Shapley值。
# 创建一个模型
xgboost = create_model('xgboost')
interpret_model(xgboost) # summary plot
interpret_model(xgboost, plot = 'correlation') # correlation plot
测试数据集上特定数据点的解释可以通过reason图来评估。如下图所示：在测试数据集上检查首个实例。
interpret_model(xgboost, plot = 'reason', observation = 0)
模型部署
模型调优后要将模型在测试集上进行测试，使用predict_model函数。
1. 模型预测
# 创建模型
rf = create_model('rf') # 预测测试集
rf_holdout_pred = predict_model(rf)
以上是对模型测试集进行的预测，如果对于未见过的新数据预测，PyCaret提供一个迭代的预测结果，在predict_model函数指定data，像下面这样。
2. 模型完成
最后确认模型finalize_model才能进行部署。
# finalize a model
final_rf = finalize_model(rf)
3. 模型部署
该功能将pipeline和经过训练的模型保存为最终用户应用程序可以作为二进制pickle文件使用。或者，可以使用PyCaret将模型部署在云上。在云上部署模型就像编写deploy_model一样简单。
比如对于AWS用户来说，在将模型部署到AWS S3（'aws'）之前，必须使用命令行界面配置环境变量。要配置AWS环境变量，请在python命令行中输入aws configure。需要以下信息，可以使用亚马逊控制台帐户的身份和访问管理（IAM）门户生成。
AWS访问密钥ID
AWS访问密钥
默认区域名称（可以在您的AWS控制台的“全局设置”下看到）
默认输出格式（必须留空）
# 创建模型
lr = create_model('lr')
# 最终确定模型
final_lr = finalize_model(lr)
# 部署模型
deploy_model(final_lr, model_name = 'lr_aws', platform = 'aws', authentication = { 'bucket' : 'pycaret-test' })
用户也能够以二进制文件的格式保存整个实验，包括所有中间输出。
# 创建模型
adaboost = create_model('ada')
# 二进制保存模型
save_model(adaboost, model_name = 'ada_for_deployment')
以上就是PyCaret的介绍和使用方法，具体教程也可以参考：
https://pycaret.org/guide/
https://mp.weixin.qq.com/s/5DMJn85ME8LqUCewc5OWBg
- end -
1375
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
