中年Python简化代码机器学习库PyCaret 2.0发布( 二 ) |机器学习|代码|

本文插图
样本和划分：训练/测试划分；采样
数据准备：缺失数据补全；独热编码；内在顺序编码；Cardinal编码；不平衡修正
缩放和转换：归一化；转换
特征工程：特征交互；多项式特征；组特征；二元数值特征
特征选择：特征重要性；共线性移除；PCA；忽略低方差
无监督：创建聚类；异常移除
https://www.pycaret.org/preprocessing
模型比较
这是所有监督学习模型任务中，我们推荐的第一步。该函数会使用模型的默认超参数来训练所有模型，并通过交叉检验来评估性能。它返回一个已训练的模型的对象类。可使用的评估测度包括：

分类：准确度， AUC ，召回率，精确率， F1 ， Kappa ， MCC
回归： MAE, MSE, RMSE, R2, RMSLE, MAPE

这里有几种使用 compare_models 函数的方法：
# 导入 classification 模块
from pycaret.classification import *
# 初始化配置
clf1 = setup(data, target = "name-of-target")
# 返回最优模型
best = compare_models()
3/12 上一页 1 2 3 4 5 6 7 下一页
热门推荐

查看更多精彩

今日快讯
导演评张玉环27年冤狱:别哭诉了赔几百万知足吧
警方突袭按摩会所抓"男技师"最小女客人才25岁欢迎来到新闻头条本站提供最新最全的社会,娱乐,时尚,科技等一手新鲜资讯。本站资讯及图片内容部分收集于互联网，如果有侵犯您的权益，请发邮件到3281530663@qq.com ，我们将会即刻删除相关内容！Copyright 2018 新闻头条 toutiao.7junshi.com 版权所有
?
?
.textual .textual__body .textual__title{padding-left: 6px !important;}
# 返回基于召回率的最有模型
best = compare_models(sort = "Recall") #默认为准确率 "Accuracy"
# 比较特定模型
best_specific = compare_models(whitelist = ["dt","rf","xgboost"])
# 排除特定模型
best_specific = compare_models(blacklist = ["catboost","svm"])
# 返回3个基于准确率的最有模型
top3 = compare_models(n_select = 3)
输出示例：

本文插图
模型创建
模型创建函数使用默认超参数训练模型并使用交叉验证评估模型性能。该函数是几乎所有其他PyCaret函数的底。它返回训练模型对象类。以下是几种模型使用方法：
# 导入 classification 模块
from pycaret.classification import *
# 初始化配置
clf1 = setup(data, target = "name-of-target")
# 训练 logistic 回归模型
lr = create_model("lr") #lr is the id of the model
# 通过模型库来查看所有模型
models()
# 使用5折交叉验证训练随机森林模型
rf = create_model("rf", fold = 5)
# 不适用交叉验证训练SVM模型
svm = create_model("svm", cross_validation = False)
# 训练xgboost模型，其中 max_depth = 10
xgboost = create_model("xgboost", max_depth = 10)
# 在gpu上训练xgboost模型
4/12 上一页 1 2 3 4 5 6 7 下一页
热门推荐

查看更多精彩