你在 PyCaret 中做错的 5 件事

原文：www.kdnuggets.com/2020/11/5-things-doing-wrong-pycaret.html

由 Moez Ali，PyCaret 的创始人及作者

照片由 Ben White 提供，来源于 Unsplash

我们的前三课程推荐

1. Google 网络安全证书 - 快速进入网络安全职业生涯。

2. Google 数据分析专业证书 - 提升你的数据分析技能

3. Google IT 支持专业证书 - 支持你的组织 IT

PyCaret

PyCaret 是一个开源的低代码机器学习库，能够自动化机器学习工作流程。它是一个端到端的机器学习和模型管理工具，加速机器学习实验周期，提高生产力。

与其他开源机器学习库相比，PyCaret 是一个低代码的替代库，可以用几行代码替代数百行代码。这使得实验变得指数级地快速和高效。

官方网站: www.pycaret.org

文档: pycaret.readthedocs.io/en/latest/

Git: www.github.com/pycaret/pycaret

???? compare_models 比你想象的要做得更多

当我们在 2020 年 4 月发布 PyCaret 1.0 版本时，compare_models 函数会比较库中的所有模型，并返回平均交叉验证性能指标。基于此，你可以使用create_model来训练表现最佳的模型，并获取可以用于预测的训练模型输出。

这个行为在版本 2.0 中有所改变。compare_models 现在返回基于n_select参数的最佳模型，该参数默认设置为 1，这意味着它会返回最佳模型（默认情况下）。

compare_models(n_select = 1)

通过将默认的n_select参数更改为 3，你可以获得前 3 个模型的列表。例如：

compare_models(n_select = 3)

返回的对象是训练好的模型，你实际上不需要再次调用create_model来训练它们。你可以使用这些模型来生成诊断图或进行预测，例如：

predict_model函数

???? 你认为你只能使用 scikit-learn 模型

我们收到很多请求，要求在模型库中包括非scikit-learn模型。许多人没有意识到，你不仅限于默认模型。create_model函数除了接受模型库中模型的 ID 外，还接受未训练的模型对象。只要你的对象与scikit-learn fit/predict API 兼容，它就会正常工作。例如，在这里我们通过简单地导入未训练的 NGBClassifier，训练并评估了来自ngboost库的NGBClassifier：

使用外部模型的 create_model

你也可以将未训练的模型传递给compare_models的include参数，它将正常工作。

使用未训练对象的 compare_models

请注意，包括的参数包括模型库中三个未训练的模型的 ID，即逻辑回归、决策树和 K 邻近，以及 ngboost 库中的一个未训练对象。此外，请注意索引表示在 include 参数中输入的模型的位置。

???? 你不了解 pull()函数

PyCaret 中的所有训练函数（create_model、tune_model、ensemble_model 等）显示一个分数网格，但不返回分数网格。因此，你无法将分数网格存储在像 pandas.DataFrame 这样的对象中。然而，有一个叫做pull的函数可以实现。例如：

使用 create_model 的 pull 函数

这也适用于使用predict_model函数的 holdout 分数网格。

使用predict_model函数拉取

现在你可以将指标作为 pandas.DataFrame 访问，你可以做很多事情。例如，你可以创建一个循环来训练不同参数的模型，并用这段简单的代码创建比较表：

create_model 和 pull 函数

???? 你认为 PyCaret 是一个黑箱，但它不是。

另一个常见的误解是所有的预处理操作都在后台进行，用户无法访问。因此，你无法审计运行setup函数时发生了什么。这是不对的。

PyCaret 中有两个函数get_config和set_config，它们允许你访问和更改后台的所有内容，从你的训练集到模型的随机状态。你可以通过调用**help(get_config)**来查看可以访问哪些变量：

help(get_config)

你可以通过在get_config函数内部调用变量来访问它。例如，要访问X_train转化后的数据集，你可以这样写：

get_config(‘X_train’)

你可以使用set_config函数来更改环境变量。根据你目前对pull、get_config和set_config函数的了解，你可以创建一些非常复杂的工作流。例如，你可以对保留集进行N 次重采样，以评估平均性能指标，而不是依赖于一个保留集：

import numpy as npXtest = get_config('X_test')
ytest = get_config('y_test')AUC = []for i in np.random.randint(0,1000,size=10):
    Xtest_sampled = Xtest.sample(n = 100, random_state = i)
    ytest_sampled = ytest[Xtest_sampled.index]
    set_config('X_test', Xtest_sampled)
    set_config('y_test', ytest_sampled)
    predict_model(dt);
    AUC.append(pull()['AUC'][0])>>> print(AUC)**[Output]:** [0.8182, 0.7483, 0.7812, 0.7887, 0.7799, 0.7967, 0.7812, 0.7209, 0.7958, 0.7404]>>> print(np.array(AUC).mean())**[Output]: 0.77513**

你还没有记录你的实验

如果你没有记录你的实验，现在就应该开始记录。无论你是否打算使用 MLFlow 后台服务器，你都应该记录所有的实验。当你进行任何实验时，你会生成大量的元数据，这些数据很难手动追踪。

PyCaret 的日志记录功能在你使用get_logs函数时会生成一个漂亮、轻量、易于理解的 Excel 电子表格。例如：

**# loading dataset**
from pycaret.datasets import get_data
data = get_data('juice')**# initializing setup**
from pycaret.classification import *s = setup(data, target = 'Purchase', silent = True, log_experiment = True, experiment_name = 'juice1')**# compare baseline models**
best = compare_models()**# generate logs**
get_logs()

get_logs()

在这个非常简短的实验中，我们生成了 3000 多个元数据点（指标、超参数、运行时间等）。想象一下你将如何手动跟踪这些数据点？也许，这在实际操作中是不可能的。幸运的是，PyCaret 提供了一种简单的方法来实现。只需在setup函数中将log_experiment设置为 True 即可。