Version gratuite de DataRobot! ?? Introduction à «PyCaret», une bibliothèque qui automatise l'apprentissage automatique

Qu'est-ce que PyCaret

Je viens de lire l'article Announcing PyCaret 1.0.0. .. Puisqu'il s'agissait d'une bibliothèque intéressante, cet article expliquera comment utiliser réellement PyCaret. ** PyCaret est une bibliothèque Python qui vous permet d'effectuer le prétraitement, la visualisation et le développement de modèles de données dans le développement de modèles d'apprentissage automatique avec seulement quelques lignes de code. ** **

PyCaret est un wrapper Python pour certaines des principales bibliothèques d'apprentissage automatique (scikit-learn, XGBoost, LightGBM, etc.). Il peut gérer la classification, la régression, le clustering, la détection d'anomalies et le traitement du langage naturel. Pour ainsi dire, PyCaret est comme une version gratuite de DataRobot.

Fondamentalement, il semble que vous puissiez tout faire, du prétraitement à la modélisation, en passant par l'évaluation des performances, le réglage et la visualisation. De plus, l'empilage peut être fait. (Certains indices d'évaluation tels que l'analyse des séries chronologiques et la perte de journal ne sont pas disponibles.) PyCaret/Github

En outre, le public cible a déjà introduit une série d'apprentissage automatique utilisant scicit-learn! C'est celui qui dit. (Si vous êtes un débutant en apprentissage automatique, vous ne comprenez peut-être pas le contenu. Passons un peu de temps pour le moment. Je pense que cela se termine par le sentiment. Je suis désolé pour le service interne, mais [AI Academy](https: // aiacademy. Essayez de démarrer avec la programmation d'apprentissage automatique en utilisant jp /) etc.)

Il existe également une vidéo expliquant comment utiliser PyCaret pour travailler sur la [Détection de fraude par carte de crédit] de kaggle (https://www.kaggle.com/mlg-ulb/creditcardfraud), alors jetez un œil.

Essayons PyCaret!

Tout d'abord, installez PyCaret.

Lors de l'installation à partir d'un terminal ou d'une invite de commande, vous pouvez effectuer l'installation avec la commande suivante.

pip install pycaret

Dans Jupyter Notebook et Google Colab, vous pouvez l'installer avec la commande suivante avec un! Au début.

!pip install pycaret

Chargez les modules nécessaires et préparez les données

Cette fois, je vais essayer la classification multi-classes en utilisant le jeu de données iris. Commencez par charger le code requis.

import warnings
#J'effacerai les avertissements inutiles
warnings.filterwarnings("ignore")
#Le rôle principal cette fois! Chargez PyCaret.
from pycaret.classification import *
#Chargez le jeu de données Iris.
from sklearn.datasets import load_iris
#Puisqu'il gère les trames de données, il lit également les Pandas.
import pandas as pd

Ensuite, préparez les données.

iris = load_iris()
X = pd.DataFrame(iris.data, columns=iris.feature_names)
y = pd.DataFrame(iris.target, columns=["target"])
df = pd.concat([X,y], axis=1)

Les 5 premiers éléments s'affichent.

df.head()

Prétraitement

Maintenant! Prétraitement.

Si vous utilisez ** setup () **, il gérera les valeurs manquantes, divisera les données, etc.

Passez la variable objectif à la cible.

exp1 = setup(df, target = 'target')

Comparons les modèles

Pour comparer des modèles, utilisez simplement ** compare_models () **.

compare_models()

la modélisation

Entrez le nom de l'algorithme utilisé pour l'entraînement en vous référant à https://pycaret.org/create-model/. Cette fois, nous utiliserons l '«analyse discriminante quadratique» et l'arbre de décision, qui ont le taux de précision le plus élevé. Pour l'analyse discriminante quadratique, vous pouvez entrer «qda», alors entrez qda cette fois.

qda = create_model('qda')

Essayons également l'arbre de décision.

tree = create_model('dt')

réglage

Affinons l'arbre de décision.

tuned_tree = tune_model('dt')

Obtenir les paramètres

tuned_tree.get_params

Visualisation du modèle

plot_model(tuned_qda)

plot_model(tuned_tree)

Apprentissage d'ensemble

lgbm = create_model('lightgbm')
xgboost = create_model('xgboost')

ensemble = blend_models([lgbm, xgboost])

Empilement

stack = stack_models(estimator_list = [xgboost], meta_model = lgbm)

Prévoir

pred = predict_model(qda)

Oui, c'est pratique.

finalement

En quelques lignes, j'ai pu le terminer. .. Je pense que je vais l'utiliser petit à petit à partir de maintenant.

Site de référence

C'est un article que j'ai utilisé comme référence. Veuillez vous y référer en plus de cet article.

Article de référence 1 Article de référence 2 [Article de référence 3](https://techtech-sorae.com/%E6%A9%9F%E6%A2%B0%E5%AD%A6%E7%BF%92%E3%81%AE%E8%87 % AA% E5% 8B% 95% E5% 8C% 96% E3% 83% A9% E3% 82% A4% E3% 83% 96% E3% 83% A9% E3% 83% AA% E3% 80% 8Cpycaret % E3% 80% 8D% E3% 82% 92% E4% BD% BF% E3% 81% A3% E3% 81% A6% E3% 81% BF% E3% 81% 9F /)

La personne qui a écrit cet article

Cyber Brain Co., Ltd. Directeur représentatif et PDG Kazunori Tani Nous nous réjouissons de votre suivi! Twitter Facebook Nous gérons également une communauté d'IA avec plus de 5000 participants. Nous fournissons des informations sur l'IA tous les jours, nous nous réjouissons donc de votre participation! Communauté de recherche sur l'intelligence artificielle AI Academy