使用PyCaret构建机器学习模型

作者|LAKSHAY ARORA
编译|VK
来源|Analytics Vidhya

概述

• PyCaret是一个超级有用的Python库，用于在短时间内执行多个机器学习任务

• 学习如何依赖PyCaret在几行代码中构建复杂的机器学习模型

介绍

我建立的第一个机器学习模型是一个相当麻烦的代码块。我仍然记得构建一个集成模型，它需要许多行代码，它十分需要一个向导来解开这些混乱的代码！

当涉及到构建可解释的机器学习模型时，尤其是在行业中，编写高效的代码是成功的关键。所以我强烈建议使用PyCaret库。

我希望PyCaret在我的刚学习机器学习的日子里出现！这是一个非常灵活和有用的库，我在最近几个月已经相当依赖。我坚信任何有志成为数据科学或分析专业人士的人都会从使用PyCaret中受益匪浅。

我们将看到PyCaret到底是什么，包括如何在你的机器上安装它，然后我们将深入研究如何使用PyCaret来构建可解释的机器学习模型，包括集成模型。

目录

1. 什么是PyCaret？为什么要使用它？

2. 安装PyCaret

3. 熟悉PyCaret

4. 使用PyCaret训练我们的机器学习模型

5. 使用PyCaret构建集成模型

6. 分析模型

7. 做出预测

8. 保存并加载模型

什么是PyCaret？为什么要使用它？

PyCaret是Python中一个开源的机器学习库，它可以帮助你从数据准备到模型部署。它很容易使用，你可以用一行代码完成几乎所有的数据科学项目任务。

我发现PyCaret非常方便。以下是两个主要原因：

• PyCaret是一个代码库，它使你的工作效率更高。你可以在代码上花更少的时间，做更多的实验

• 它是一个易于使用的机器学习库，将帮助你执行端到端的机器学习实验，无论是输入缺失值、编码分类数据、特征工程、超参数调整，还是构建集成模型

安装PyCaret

这是最直接的。可以直接使用pip安装PyCaret的第一个稳定版本v1.0.0。只需在Jupyter Notebook中运行以下命令即可开始：

!pip3 install pycaret

熟悉PyCaret

问题陈述和数据集

在本文中，我们将解决一个分类问题。我们有一个银行数据集，包括客户年龄、经验、收入、教育程度，以及他/她是否有信用卡。该行希望建立一个机器学习模型，帮助他们识别购买个人贷款可能性更高的潜在客户。

数据集有5000行，我们保留了4000行用于训练模型，剩下的1000行用于测试模型。你可以在这里找到本文中使用的完整代码和数据集。

https://github.com/lakshay-arora/PyCaret-Example

让我们从使用Pandas库读取数据集开始：

# 导入panda以读取CSV文件
import pandas as pd
# 读取数据
data_classification = pd.read_csv('datasets/loan_train_data.csv')
# 查看数据的顶行
data_classification.head()

在PyCaret中启动机器学习项目之前的第一步是设置环境。这只是一个两步的过程：

1. 导入模块：根据要解决的问题类型，首先需要导入模块。在PyCaret的第一个版本中，有6个不同的模块可用：回归、分类、聚类、自然语言处理（NLP）、异常检测和关联挖掘规则。在本文中，我们将解决一个分类问题，因此我们将导入分类模块
2. 初始化设置：在这个步骤中，PyCaret执行一些基本的预处理任务，比如忽略id和Date列、填充丢失的值、对分类变量进行编码，以及在其余建模步骤中将数据集拆分为train test。当你运行setup函数时，它将首先确认数据类型，然后如果你按enter，它将创建环境。

# 导入分类模块
from pycaret import classification
# 设置环境
classification_setup = classification.setup(data= data_classification, target='Personal Loan')

我们都准备好探索PyCaret了！

使用PyCaret训练我们的机器学习模型

训练模型

用PyCaret训练一个模型非常简单。你只需要使用create_model函数，该函数只接受一个参数（模型缩写为字符串）。

在这里，我们将首先训练一个决策树模型，我们必须通过“dt”，它将返回一个表，其中包含用于分类模型的常用评估指标的k倍交叉验证分数。

以下是用于监督学习的评估指标：

• 分类：Accuracy, AUC, Recall, Precision, F1, Kappa
• 回归：MAE、MSE、RMSE、R2、RMSLE、MAPE

你可以查看PyCaret的文档页以了解更多缩写。

https://pycaret.org/create-model/

# 建立决策树模型
classification_dt = classification.create_model('dt')

同样，为了训练XGBoost模型，只需要传递字符串“XGBoost”：

# 构建xgboost模型
classification_xgb = classification.create_model('xgboost')

超参数调整

我们可以通过使用tune_model函数来调整机器学习模型的超参数，该函数接受一个参数，模型缩写字符串（与我们在create_model函数中使用的相同）。

PyCaret为我们提供了很多灵活性。例如，我们可以使用tune_model函数中的fold参数定义折叠次数。或者我们可以使用n_iter参数更改迭代次数。增加nòiter参数将明显增加训练时间，提供更好的性能。

让我们训练一个CatBoost模型：

# 构建和调优catboost模型
tune_catboost = classification.tune_model('catboost')

使用PyCaret构建集成模型

机器学习中的集成模型将来自多个模型的决策结合起来，以提高整体性能。

在PyCaret中，我们可以用一行代码创建bagging、boosting、blending和stacking集成模型。

让我们在这里训练一个集成模型。它还将返回一个表，其中包含常用评估指标的k折交叉验证分数：

# boosting
boosting = classification.ensemble_model(classification_dt, method= 'Boosting')

另一个非常著名的合成技术是blending。你只需要传递在blend_models函数列表中创建的模型。

# blending
blender = classification.blend_models(estimator_list=[classification_dt, classification_xgb])

就这样！你只需要用PyCaret编写一行代码就可以完成大部分工作。

比较模型

这是PyCaret库的另一个有用功能。如果不想逐个尝试不同的模型，可以使用compare models函数，它将为所有可用模型训练和比较通用的评估度量。

此函数仅在pycaret.classification以及 pycaret.regression模块中。

# 比较不同分类模型的性能
classification.compare_models()

分析模型

现在，在训练模型之后，下一步是分析结果。从商业角度来看，这特别有用，对吧？分析PyCaret中的模型也很简单。只需一行代码，你就可以执行以下操作：

1. 对模型结果绘图：分析PyCaret中的模型性能与编写plot_model一样简单。可以绘制决策边界、精确召回曲线、验证曲线、残差图等。此外，对于群集模型，可以绘制肘部图和轮廓图。对于文本数据，可以绘制字云图、bigram图和trigram频率图等。
2. 解释结果：通过分析重要特性，解释模型结果有助于调试模型。这是工业级机器学习项目中至关重要的一步。在PyCaret中，我们可以用一行代码通过SHAP值和相关图来解释模型

对模型结果绘图

可以通过提供模型对象作为参数和所需的打印类型来打印模型结果。绘制AUC-ROC曲线和决策边界：

# AUC-ROC 图
classification.plot_model(classification_dt, plot = 'auc')

# 决策边界
classification.plot_model(classification_dt, plot = 'boundary')

绘制训练模型的精确召回曲线和验证曲线：

# Precision Recall 曲线
classification.plot_model(classification_dt, plot = 'pr')

# 验证曲线
classification.plot_model(classification_dt, plot = 'vc')

评估我们的模型

如果你不想单独绘制所有这些可视化效果，那么PyCaret库还有另一个惊人的功能——evaluate_model。在这个函数中，你只需要传递model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：

# 评估模型
classification.evaluate_model(classification_dt)

解释我们的模型

在大多数机器学习项目中，解释复杂模型是非常重要的。它通过分析模型认为什么是重要的来帮助调试模型。在PyCaret中，这一步与编写解释模型以获取Shapley值一样简单。

# 解释模型：SHAP
classification.interpret_model(classification_xgb)

让我们尝试绘制相关图：

# 解释模型：相关性
classification.interpret_model(classification_xgb,plot='correlation')

做出预测

最后，我们将对看不见的数据进行预测。为此，我们只需要传递我们将用于预测和数据集的模型。确保它的格式与我们之前设置环境时提供的格式相同。

PyCaret构建一个包含所有步骤的管道，并将未看到的数据传递到管道中，并给出结果。

让我们看看如何预测数据的标签：

# 读取测试数据
test_data_classification = pd.read_csv('datasets/loan_test_data.csv')
# 做出预测
predictions = classification.predict_model(classification_dt, data=test_data_classification)
# 查看预测
predictions

保存并加载模型

现在，一旦构建并测试了模型，我们就可以使用save_model函数将其保存在pickle文件中。传递要保存的模型和文件名，即：

# 保存模型
classification.save_model(classification_dt, 'decision_tree_1')

我们可以稍后加载此模型并预测数据上的标签：

# 加载模型
dt_model = classification.load_model(model_name='decision_tree_1')

结尾

它真的很容易使用。我个人发现PyCaret对于在时间紧迫的情况下快速生成结果非常有用。

在不同类型的数据集上练习使用它——你会越充分利用它，就越能真正掌握它的实用性！它甚至只需要一行代码就可以在AWS等云服务上支持模型部署。

原文链接：https://www.analyticsvidhya.com/blog/2020/05/pycaret-machine-learning-model-seconds/