Обзор

PyCaret — это библиотека машинного обучения с открытым исходным кодом с минимальным объемом кода на Python, целью которой является сокращение времени цикла от гипотезы до понимания. Он хорошо подходит опытным специалистам по данным, которые хотят повысить продуктивность своих экспериментов по машинному обучению, используя PyCaret в своих рабочих процессах, или гражданским специалистам по данным, а также тем, новичкам в наука о данных с небольшим опытом программирования или без него. PyCaret позволяет перейти от подготовки данных к развертыванию модели за считанные секунды, используя выбранную вами среду ноутбука. Пожалуйста, выберите свой трек ниже, чтобы продолжить узнавать больше о PyCaret.

ссылка:- https://pycaret.org/

Оглавление

  1. Что такое PyCaret и почему вы должны его использовать?
  2. Установка PyCaret
  3. Постановка задачи и набор данных
  4. Модель обучения машинного обучения с использованием PyCaret
  5. Анализ модели

Что такое PyCaret и почему вы должны его использовать?

PyCaret — это библиотека машинного обучения с открытым исходным кодом на Python, которая помогает вам от подготовки данных до развертывания модели. Он прост в использовании, и вы можете выполнить практически любую задачу проекта по науке о данных с помощью всего одной строки кода.

Я нашел PyCaret полезным. Вот две причины почему:

  • PyCaret, будучи библиотекой с низким кодом, делает вас более продуктивным. Теперь, когда вы и ваша команда тратите меньше времени на кодирование, вы можете сосредоточиться на бизнес-задачах.
  • PyCaret — это простая и удобная в использовании библиотека машинного обучения, которая поможет вам проводить комплексные эксперименты по машинному обучению с меньшим количеством строк кода.

Установка PyCaret

Постановка задачи и набор данных

В этой статье мы собираемся решить задачу классификации. У нас есть набор данных о раке молочной железы с такими функциями, как radius_mean, area_mean, texture_mean, диагноз, есть ли у пациентов злокачественный или доброкачественный рак. Мы создадим модель машинного обучения, которая поможет врачам идентифицировать злокачественные или доброкачественные опухоли.

Набор данных имеет 569 строк и 31 столбец. Вы можете найти полный код и набор данных, используемых в этом

https://github.com/alamjane/Breast-Cancer-Detection/blob/master/EDA/AutoML/Breast_Cancer_Pycaret.ipynb.

Начнем с чтения набора данных с помощью библиотеки Pandas:

import pandas as pd

path = "https://raw.githubusercontent.com/alamjane/Project/master/Breast%20Cancer.csv"
df = pd.read_csv(path)


df.head()

Инициализация установки: на этом этапе PyCaret выполняет некоторые основные задачи предварительной обработки, такие как игнорирование идентификатора, подстановка отсутствующих значений, кодирование категориальных переменных и разделение набора данных на разбиение на поезд-тест для остальных. этапов моделирования. Когда вы запускаете функцию настройки, она сначала подтвердит типы данных, а затем, если вы нажмете ввод, она создаст среду для вас, чтобы продолжить

# Importing module and initializing setup
from pycaret.classification import *
clf1 = setup(data = df, target = 'diagnosis')

Модель обучения машинного обучения с использованием PyCaret

Обучить модель в PyCaret очень просто. Вам нужно использовать функцию create_models, которая принимает только один параметр

compare_models()

Здесь Ada Boost Classifier имеет лучшую точность, чем другие алгоритмы. Для обучения модели Ada Boost вам просто нужно передать строку «ada»:

ada = create_model('ada')

Настройка гиперпараметров

Мы можем настроить гиперпараметры модели машинного обучения, просто используя функцию tune_model, которая принимает один параметр — строку аббревиатуры модели (такую ​​же, как мы использовали в функции create_model). .

Давайте настроим его.

tuned_ada = tune_model('ada')

Анализ модели

Теперь, после обучения модели, следующим шагом будет анализ результатов. Анализировать модель в PyCaret снова очень просто. Всего одна строка кода, и вы можете сделать

Постройте результаты модели

Вы можете построить результаты модели, предоставив объект модели в качестве параметра и тип графика, который вы хотите. Давайте построим кривую AUC-ROC и границу решения:

Кривая AUC

plot_model(estimator = tuned_ada, plot = 'auc')

Кривая обучения Ada Boost Classifier

plot_model(estimator = tuned_ada, plot = 'learning')

Матрица путаницы

plot_model(estimator = tuned_ada, plot = 'confusion_matrix')

Вывод

Это действительно так просто в использовании. Лично я обнаружил, что PyCaret весьма полезен для получения быстрых результатов.

Потренируйтесь использовать его на разных типах наборов данных — вы действительно получите больше интереса, и это поможет.

Если у вас есть какие-либо предложения / отзывы, связанные со статьей, пожалуйста, опубликуйте их в разделе комментариев ниже. Я также с нетерпением жду вашего опыта использования PyCaret.