PyCaret 是一個(gè)開源、低代碼的 Python 機(jī)器學(xué)習(xí)庫(kù)，可自動(dòng)執(zhí)行機(jī)器學(xué)習(xí)工作流。它是一種端到端的機(jī)器學(xué)習(xí)和模型管理工具，可以以指數(shù)方式加快實(shí)驗(yàn)周期并提高您的工作效率。歡迎收藏學(xué)習(xí)，喜歡點(diǎn)贊支持，文末提供技術(shù)交流群。

與其他開源機(jī)器學(xué)習(xí)庫(kù)相比，PyCaret 是一個(gè)替代的低代碼庫(kù)，可用于僅用幾行代碼替換數(shù)百行代碼。 這使得實(shí)驗(yàn)速度和效率呈指數(shù)級(jí)增長(zhǎng)。 PyCaret 本質(zhì)上是圍繞多個(gè)機(jī)器學(xué)習(xí)庫(kù)和框架（例如 scikit-learn、XGBoost、LightGBM、CatBoost、spaCy、Optuna、Hyperopt、Ray 等）的 Python 包裝器。

PyCaret 的設(shè)計(jì)和簡(jiǎn)單性受到數(shù)據(jù)科學(xué)家這一新興角色的啟發(fā)，可以執(zhí)行以前需要更多技術(shù)專長(zhǎng)的簡(jiǎn)單和中等復(fù)雜的分析任務(wù)。

PyCaret 時(shí)間序列模塊

PyCaret 的新時(shí)間序列模塊現(xiàn)已提供測(cè)試版。 秉承 PyCaret 的簡(jiǎn)單性，它與現(xiàn)有的 API 保持一致，并帶有很多功能。 統(tǒng)計(jì)測(cè)試、模型訓(xùn)練和選擇(30 多種算法)、模型分析、自動(dòng)超參數(shù)調(diào)優(yōu)、實(shí)驗(yàn)記錄、云部署等， 所有這一切只需要幾行代碼（就像 pycaret 的其他模塊一樣）。 如果您想嘗試一下，請(qǐng)查看官方的快速入門筆記本。

您可以使用 pip 安裝此庫(kù)。 如果你在同一個(gè)環(huán)境中安裝了 PyCaret，由于依賴沖突，你必須為 pycaret-ts-alpha 創(chuàng)建一個(gè)多帶帶的環(huán)境。

pip install pycaret-ts-alpha

接下來安排如下

PyCaret 的時(shí)間序列模塊中的工作流程非常簡(jiǎn)單。 它從設(shè)置功能開始，您可以在其中定義預(yù)測(cè)范圍 fh 和折疊次數(shù)。 您還可以將 fold_strategy 定義為擴(kuò)展或滑動(dòng)。

設(shè)置后，著名的 compare_models 函數(shù)訓(xùn)練和評(píng)估從 ARIMA 到 XGboost（TBATS、FBProphet、ETS 等）的 30 多種算法。

plot_model 函數(shù)可以在訓(xùn)練之前或之后使用。 在訓(xùn)練前使用時(shí)，它使用 plotly 界面收集了大量時(shí)間序列 EDA 圖。 與模型一起使用時(shí)，plot_model 處理模型殘差，并可用于訪問模型擬合。

最后，predict_model 用于生成預(yù)測(cè)。

加載數(shù)據(jù)

import pandas as pdfrom pycaret.datasets import get_datadata = get_data("pycaret_downloads")data["Date"] = pd.to_datetime(data["Date"])data = data.groupby("Date").sum()data = data.asfreq("D")data.head()

# plot the datadata.plot()

這個(gè)時(shí)間序列是從 pip 每天下載 PyCaret 庫(kù)的次數(shù)。

初始化設(shè)置

# with functional APIfrom pycaret.time_series import *setup(data, fh = 7, fold = 3, session_id = 123)# with new object-oriented APIfrom pycaret.internal.pycaret_experiment import TimeSeriesExperimentexp = TimeSeriesExperiment()exp.setup(data, fh = 7, fold = 3, session_id = 123)

統(tǒng)計(jì)測(cè)試

check_stats()

探索性數(shù)據(jù)分析

# functional APIplot_model(plot = "ts")# object-oriented APIexp.plot_model(plot = "ts")

# cross-validation plotplot_model(plot = "cv")

# ACF plotplot_model(plot = "acf")

# Diagnostics plotplot_model(plot = "diagnostics")

# Decomposition plotplot_model(plot = "decomp_stl")

模型訓(xùn)練和選擇

# functional APIbest = compare_models()# object-oriented APIbest = exp.compare_models()

時(shí)間序列模塊中的 create_model 就像在其他模塊中一樣。

# create fbprophet modelprophet = create_model("prophet")print(prophet)

tune_model 也沒有太大不同。

tuned_prophet = tune_model(prophet)print(tuned_prophet)

plot_model(best, plot = "forecast")

# forecast in unknown futureplot_model(best, plot = "forecast", data_kwargs = {"fh" : 30})

# in-sample plotplot_model(best, plot = "insample")

# residuals plotplot_model(best, plot = "residuals")

# diagnostics plotplot_model(best, plot = "diagnostics")

保存模型

# finalize modelfinal_best = finalize_model(best)# generate predictionspredict_model(final_best, fh = 90)

# save the modelsave_model(final_best, "my_best_model")

技術(shù)交流

歡迎轉(zhuǎn)載、收藏、有所收獲點(diǎn)贊支持一下！

目前開通了技術(shù)交流群，群友已超過2000人，添加時(shí)最好的備注方式為：來源+興趣方向，方便找到志同道合的朋友

• 方式①、發(fā)送如下圖片至微信，長(zhǎng)按識(shí)別，后臺(tái)回復(fù)：加群；
• 方式②、添加微信號(hào)：dkl88191，備注：來自CSDN
• 方式③、微信搜索公眾號(hào)：Python學(xué)習(xí)與數(shù)據(jù)挖掘，后臺(tái)回復(fù)：加群