機器之心報道

機器之心編輯部

PyCaret 庫支持在「低代碼」環(huán)境中訓練和部署有監(jiān)督以及無監(jiān)督的機器學習模型，提升機器學習實驗的效率。

想提高機器學習實驗的效率，把更多精力放在解決業(yè)務(wù)問題而不是寫代碼上？低代碼平臺或許是個不錯的選擇。

最近，機器之心發(fā)現(xiàn)了一個開源低代碼機器學習 Python 庫 PyCaret，它支持在「低代碼」環(huán)境中訓練和部署有監(jiān)督以及無監(jiān)督的機器學習模型。

GitHub 地址：https://github.com/pycaret/pycaret

用戶文檔：https://www.pycaret.org/guide

Notebook 教程：https://www.pycaret.org/tutorial

PyCaret 庫支持數(shù)據(jù)科學家快速高效地執(zhí)行端到端實驗，與其他開源機器學習庫相比，PyCaret 庫只需幾行代碼即可執(zhí)行復雜的機器學習任務(wù)。該庫適合有經(jīng)驗的數(shù)據(jù)科學家、傾向于低代碼機器學習解決方案的公民數(shù)據(jù)科學家，以及編程背景較弱甚至沒有的新手。

PyCaret 庫支持多種 Notebook 環(huán)境，包括 Jupyter Notebook、Azure notebook 和 Google Colab。從本質(zhì)上來看，PyCaret 是一個 Python 封裝器，封裝了多個機器學習庫和框架，如 sci-kit-learn、XGBoost、Microsoft LightGBM、spaCy 等。

機器學習實驗中所有步驟均可使用 PyCaret 自動開發(fā)的 pipeline 進行復現(xiàn)。在 Pycaret 中所執(zhí)行的所有操作均按順序存儲在 Pipeline 中，該 Pipeline 針對模型部署進行了完全配置。

不管是填充缺失值、轉(zhuǎn)換類別數(shù)據(jù)、執(zhí)行特征工程設(shè)計，還是調(diào)參，Pycaret 都能夠自動執(zhí)行。而且 pipeline 可以保存為二進制文件格式，支持在不同環(huán)境中進行遷移。

PyCaret 包含一系列函數(shù)，用戶通過它們完成機器學習實驗。PyCaret 庫的函數(shù)可分為以下五個大類，涵蓋初始化、模型訓練、集成、分析與部署：

此外，PyCaret 提供 6 個模塊，支持有監(jiān)督和無監(jiān)督模型的訓練和部署，分別是分類、回歸、聚類、異常檢測、自然語言處理和關(guān)聯(lián)規(guī)則挖掘。每個模塊封裝特定的機器學習算法和不同模塊均可以使用的函數(shù)。用戶可以根據(jù)實驗類型，將模塊導入環(huán)境中。

PyCaret 庫提供的六個模塊。

接下來，我們就來了解一下 PyCaret 庫的安裝和使用方法吧。

啟動 PyCaret

使用 pip 安裝 PyCaret。

使用命令行界面或 notebook 環(huán)境，運行下面的代碼進行安裝：

pip install pycaret

Azure notebook 和 Google Colab 用戶，可以運行下列代碼進行安裝：

!pip install pycaret

安裝 PyCaret 時會自動安裝所有依賴項，過程非常簡單，如下圖所示：

?

PyCaret 分步教程

數(shù)據(jù)獲取

該教程使用「糖尿病」數(shù)據(jù)集，目標是根據(jù)血壓、胰島素水平以及年齡等多種因素預測患者的預后情況（1 或 0）。數(shù)據(jù)集參見 PyCaret 的 GitHub 地址。

直接從 PyCaret 庫中導入數(shù)據(jù)集的最簡單方法是使用 pycaret.datasets 模塊中的 get_data 函數(shù)。

from *pycaret.datasets* import *get_data*

diabetes = *get_data*('diabetes')

get_data 的輸出。

PyCaret 可以直接處理 Pandas 數(shù)據(jù)幀。

環(huán)境配置

在 PyCaret 中執(zhí)行任意機器學習實驗的第一步都是，通過導入所需模塊并初始化 setup() 來設(shè)置環(huán)境。如下示例中使用的模塊是 pycaret.classification。

模塊導入后，將通過定義數(shù)據(jù)結(jié)構(gòu)「糖尿病」和目標變量「類變量」來初始化 setup()。

from *pycaret.classification* import ***exp1 = *setup*(diabetes, target = 'Class variable')

所有預處理的步驟都會應(yīng)用至 setup() 中，PyCaret 擁有 20 余項功能可運用于 ML 相關(guān)的數(shù)據(jù)準備，例如根據(jù) setup 函數(shù)中定義的參數(shù)來創(chuàng)建 Transformation pipeline，同時也會自動協(xié)調(diào) Pipeline 中所有的相關(guān)性及依賴關(guān)系。這樣面對測試或者未見過的數(shù)據(jù)集，用戶無需再手動管理或是調(diào)整執(zhí)行的順序。

PyCaret 的 Pipeline 可輕松地在各環(huán)境之間相互遷移，比如大規(guī)模運行或是輕松部署到生產(chǎn)環(huán)境中。下圖展示了 PyCaret 首次發(fā)布時可用的預處理功能：

PyCaret 的預處理功能。

數(shù)據(jù)預處理是機器學習的必要步驟，比如當初始化 setup() 時，缺失值填充、分類變量編碼、標簽編碼（將 yes or no 轉(zhuǎn)化為 1 or 0）以及 train-test-split 會自動執(zhí)行。

模型比較

這是監(jiān)督機器學習實驗（分類或回歸模塊）應(yīng)該進行的第一步。compare_models 函數(shù)訓練模型庫中的所有模型，并使用 k 折交叉驗證（默認 k=10）來比較常見的評估指標。所使用的評估指標如下所示：

分類模塊：準確度、AUC、Recall、精度、F1 和 Kappa；

回歸模塊：MAE、MSE、RMSE、R2、RMSLE 和 MAPE。

*compare_models*()

compare_models() 函數(shù)的輸出。Output from compare_models( ) function

默認使用 10 折交叉驗證來評估指標，可以通過改變 fold 參數(shù)值來改變評估結(jié)果。默認使用精度值（由高到低）來分類 table，同樣可以通過改變 sort 參數(shù)值來改變分類結(jié)果。

模型創(chuàng)建

在 PyCaret 的任何模塊中，創(chuàng)建模型就像編寫 create_model 一樣簡單，它只需要一個參數(shù)，即作為字符串輸入來傳遞的模型名稱。此函數(shù)返回具有 k 折交叉驗證分數(shù)和訓練好的模型對象的表格。

adaboost = *create_model*('adaboost')

變量「adaboost」存儲一個由*create_model*函數(shù)返回的訓練模型對象，該對象是 scikit 學習估計器。可以通過在變量后使用標點（.）來訪問訓練對象的原始屬性。參見下面的示例：

訓練好的模型對象的屬性。

PyCaret 有 60 多個開源即用型算法。

模型調(diào)優(yōu)

tune_model 函數(shù)用于自動調(diào)優(yōu)機器學習模型的超參數(shù)。PyCaret 在預定義的搜索空間上使用隨機網(wǎng)格搜索。此函數(shù)返回具有 k 折交叉驗證分數(shù)和訓練好的模型對象的表格。

tuned_adaboost = tune_model('ada')

在無監(jiān)督模塊中的 tune_model 函數(shù)，比如 pycaret.nlp,pycaret.clustering 和 pycaret.anomaly 可以和監(jiān)督模塊結(jié)合使用。舉例而言，通過評估監(jiān)督 ML 模型中的目標或者損失函數(shù)，PyCaret 的 NLP 模塊可以用來調(diào)整準確度或 R2 等指標的數(shù)值。

模型集成

ensemble_model 函數(shù)用于集成訓練好的模型。它只需要一個參數(shù)，即訓練好的模型對象。此函數(shù)返回具有 k 折交叉驗證分數(shù)和訓練好的模型對象的表格。

# creating a decision tree model

dt = *create_model*('dt')# ensembling a trained dt model

dt_bagged = *ensemble_model*(dt)

該庫默認使用 Bagging 方法用于模型集成，用戶也可使用 ensemble_model 函數(shù)中的 method 參數(shù)將其轉(zhuǎn)換為 Boosting。

PyCaret 還提供了 blend_models 和 stack_models 功能，來集成多個訓練好的模型。

模型繪制

訓練好的機器學習模型的性能評估和診斷可以通過 plot_model 函數(shù)來完成，具體而言，將訓練模型對象和 plot 類型作為 plot_model 函數(shù)中的字符串輸入（string input）。

# create a model

adaboost = *create_model*('ada')# AUC plot

*plot_model*(adaboost, plot = 'auc')# Decision Boundary

*plot_model*(adaboost, plot = 'boundary')# Precision Recall Curve

*plot_model*(adaboost, plot = 'pr')# Validation Curve

*plot_model*(adaboost, plot = 'vc')

此外，用戶還可以使用 evaluate_model 函數(shù)在 notebook 的用戶界面上看到可視化圖。

*evaluate_model*(adaboost)

pycaret.nlp 模塊中的 plot_model 函數(shù)可用于可視化文本語料庫和語義主題模型。

?模型解釋?

數(shù)據(jù)中的關(guān)系呈非線性是實踐中常常出現(xiàn)的情況。這時總會看到基于樹的模型要比簡單的高斯模型的表現(xiàn)好得多。但這是以犧牲可解釋性為代價的，因為基于樹的模型無法像線性模型那樣提供簡單的系數(shù)。

PyCaret 通過 interpret_model 函數(shù)實現(xiàn)了 SHAP（SHapley Additive exPlanations）。

# create a model

xgboost = *create_model*('xgboost')# summary plot

*interpret_model*(xgboost)# correlation plot

*interpret_model*(xgboost, plot = 'correlation')

測試數(shù)據(jù)集上特定數(shù)據(jù)點的解釋可以通過『reason』圖來評估。如下圖所示：在測試數(shù)據(jù)集上檢查首個實例。

*interpret_model*(xgboost, plot = 'reason', observation = 0)

模型預測

到目前為止，所看到的結(jié)果僅基于訓練數(shù)據(jù)集上 k 折交叉驗證（默認 70%）。所以為了得到模型在測試或者 hold-out 數(shù)據(jù)集上的預測結(jié)果和性能，用戶可以使用 predict_model 函數(shù)。如下所示：

# create a model

rf = *create_model*('rf')# predict test / hold-out dataset

rf_holdout_pred* = predict_model*(rf)

predict_model 函數(shù)還可以用來預測未見過的數(shù)據(jù)集。現(xiàn)在，將訓練時所使用的數(shù)據(jù)集用作新的未見過數(shù)據(jù)集的代理（proxy）。在實踐中，predict_model 函數(shù)會被迭代地使用，每次使用都會有一個新的未見過的數(shù)據(jù)集。

predictions = *predict_model*(rf, data = diabetes)

此外，對于使用 stack_models 和 create_stacknet 函數(shù)創(chuàng)建的模型，predict_model 函數(shù)可以預測它們的序列鏈。不僅如此，借助于 deploy_model 函數(shù)，predict_model 函數(shù)還可以直接基于托管在 AWS S3 上的模型進行預測。

模型部署

我們可以使用以下方法讓訓練好的模型在未見過的數(shù)據(jù)集上生成預測：在訓練模型的同一個 notebook 或 IDE 中使用 predict_model 函數(shù)。但是，在未見過的數(shù)據(jù)集上執(zhí)行預測是一個迭代的過程。其中，基于用例的不同，預測可以分為實時預測和批量預測。

PyCaret 的 deploy_model 函數(shù)允許部署整個 pipeline，包括云端訓練的模型。

*deploy_model*(model = rf, model_name = 'rf_aws', platform = 'aws',

authentication = {'bucket' : 'pycaret-test'})

模型/實驗保存

訓練完成后，包含所有預處理轉(zhuǎn)換和訓練模型對象在內(nèi)的整個 pipeline 能夠以二進制 pickle 文件的格式保存。

# creating model

adaboost = *create_model*('ada')# saving model*

save_model*(adaboost, model_name = 'ada_for_deployment')

用戶也能夠以二進制文件的格式保存整個實驗，包括所有中間輸出（intermediary output）。

*save_experiment*(experiment_name = 'my_first_experiment')

最后，通過 PyCaret 所有模塊中可用的 load_model 和 load_experiment 函數(shù)，用戶還可以下載保存的模型和實驗。