零代码也能玩转机器学习？手把手带你打造零代码智能平台

语言：python

工具：pandas，pycaret，streamlit；

一、背景

在日常工作中，业务部门在某些业务场景下，会提出对业务数据进行分类或回归预测的需求。在AI领域，这类数据处理任务的技术已相当成熟。但是，业务人员缺乏AI知识和代码编写能力，这成为了他们利用AI技术进行数据处理的阻碍。为打破这一壁垒，让业务人员能够自主高效地进行数据分析与处理，我打造了一个零代码机器学习平台。借助该平台，业务人员只需轻松上传数据，平台即可自动完成模型训练，并妥善保存训练好的模型。后续，业务人员还能运用这些模型，对新数据展开预测工作，一站式完成数据处理全流程。

‍

二、实现思路

在数据处理与分析领域，我们采用 PyCaret 库来完成一系列关键任务。通过 PyCaret，对数据进行高效处理，自动开展模型训练，并深入分析各个模型的性能表现，最终精准筛选出最优模型。同时，自动保存该最优模型的文件，当有新数据到来时，我们可以直接利用这个保存好的最优模型进行预测。为了让整个过程更加直观、便捷，即使是没有编程基础的人员也能轻松上手，我们引入了 Streamlit 工具。它实现了数据处理与模型应用过程的可视化，用户只需通过简单的零代码互动操作，就能轻松完成数据上传、模型训练、结果查看等一系列流程。

‍

三、实现步骤

1. 安装pandas，pycaret，streamlit库：

   pip install pandas pycaret streamlit
   

2. 零代码智能平台代码：新建文件：AI_quick.py

   import streamlit as st
   import pandas as pd
   import os
   import io
   import matplotlib.pyplot as plt
   
   # 分类任务函数
   def classification_task(data, target_variable, train_size):
       from pycaret.classification import setup, compare_models, save_model, pull, plot_model, predict_model
       setup(data=data, target=target_variable, session_id=123, normalize=True, train_size=train_size)
       best_model = compare_models()
       st.write("最佳模型：", best_model)
       save_model(best_model, 'best_classification_model')
   
       # 获取模型对比结果
       model_comparison = pull()
       st.write("多模型对比结果：")
       st.dataframe(model_comparison)
   
       return best_model
   
   # 回归任务函数
   def regression_task(data, target_variable, train_size):
       from pycaret.regression import setup, compare_models, save_model, pull, predict_model
       setup(data=data, target=target_variable, train_size=train_size)
       best_model = compare_models()
       st.write("最佳模型：", best_model)
       save_model(best_model, 'best_regression_model')
       # 获取模型对比结果
       model_comparison = pull()
       st.write("多模型对比结果：")
       st.dataframe(model_comparison)
       return best_model
   
   # 预测函数
   def prediction(model_path, prediction_file):
       if os.path.exists(f'{model_path}.pkl'):
           if 'classification' in model_path:
               from pycaret.classification import load_model, predict_model
           else:
               from pycaret.regression import load_model, predict_model
           loaded_model = load_model(model_path)
           st.write("模型已成功载入。")
   
           # 读取待预测数据
           if prediction_file.name.endswith('.csv'):
               prediction_data = pd.read_csv(prediction_file, encoding='utf-8-sig')
           elif prediction_file.name.endswith('.xlsx'):
               prediction_data = pd.read_excel(prediction_file, engine='openpyxl')
   
           predictions = predict_model(loaded_model, data=prediction_data)
           st.write("预测结果：")
           st.write(predictions)
       else:
           st.write("未找到相应的模型文件，请先训练模型。")
   
   # 定义主函数
   def main():
       st.title("PyCaret 模型平台")
   
       # 上传数据
       uploaded_file = st.file_uploader("上传数据集 (CSV 或 Excel格式)", type=["csv", "xlsx"])
   
       if uploaded_file is not None:
           # 判断文件类型并读取数据
           if uploaded_file.name.endswith('.csv'):
               data = pd.read_csv(uploaded_file, encoding='utf-8-sig')
           elif uploaded_file.name.endswith('.xlsx'):
               data = pd.read_excel(uploaded_file, engine='openpyxl')
           data = pd.DataFrame(data)
   
           st.markdown("数据基本内容：")
           st.write(data.head(10))
   
           # 选择任务类型
           task_type = st.selectbox("选择任务类型", ["分类", "回归"])
   
           # 选择目标变量
           target_variable = st.selectbox("选择目标变量", data.columns)
   
           # 输入训练集比例
           train_size = st.number_input("输入训练集比例（0 - 1之间）", min_value=0.0, max_value=1.0, value=0.7, step=0.01)
   
           # 训练模型
           if st.button("训练模型"):
               if task_type == "分类":
                   best_model = classification_task(data, target_variable, train_size)
               else:
                   best_model = regression_task(data, target_variable, train_size)
   
           # 载入已有模型进行预测
           if st.checkbox("载入最佳模型进行预测"):
               if task_type == "分类":
                   model_path = 'best_classification_model'
               else:
                   model_path = 'best_regression_model'
   
               # 上传待预测数据
               prediction_file = st.file_uploader("上传待预测数据", type=["csv", "xlsx"])
               if prediction_file is not None:
                   prediction(model_path, prediction_file)
   
   if __name__ == "__main__":
       main()
   

3. 启动服务：streamlit run AI_quick.py，默认会打开地址：http://localhost:8501/

   ​

‍

四、使用效果

​

关注微信公众号【红岸解码室】，发送“零代码智能平台”，获取零代码智能平台源码！

‍