函数

PyCaret 中的所有函数

初始化 训练 优化 分析 部署 其他

setup​

此函数在 PyCaret 中初始化实验，并根据传入的所有参数准备转换管道。必须在执行任何其他函数之前调用 setup 函数。它仅需要两个参数：data 和 target。所有其他参数均为可选。

compare_models​

此函数使用交叉验证训练并评估模型库中所有可用模型的性能。此函数的输出是包含平均交叉验证得分的评分表。

create_model​

此函数使用交叉验证训练并评估指定模型的性能。此函数的输出是包含交叉验证得分以及均值和标准差的评分表。

tune_model​

此函数用于调优指定模型的超参数。此函数的输出是包含最佳模型交叉验证得分的评分表。搜索空间为预定义，但允许提供自定义空间。搜索算法可以是随机的、贝叶斯的等多种，并具有在大集群上扩展的能力。

ensemble_model​

此函数对指定模型进行集成。此函数的输出是包含集成后模型交叉验证得分的评分表。可使用 Bagging 或 Boosting 两种方法进行集成。

blend_models​

此函数针对列表中给定的模型训练一个软投票/多数表决分类器。此函数的输出是包含投票分类器或回归器交叉验证得分的评分表。

stack_models​

此函数针对列表中给定的模型训练一个元模型。此函数的输出是包含堆叠分类器或回归器交叉验证得分的评分表。

optimize_threshold​

此函数为指定模型优化概率阈值。它在不同的概率阈值上迭代性能指标，并返回一个图表，y 轴为性能指标，x 轴为阈值。

calibrate_model​

此函数使用等距法或逻辑回归校准指定模型的概率。此函数的输出是包含校准后分类器交叉验证得分的评分表。

plot_model​

此函数分析已训练模型在保留集上的性能。在某些情况下可能需要重新训练模型。

evaluate_model​

此函数使用 ipywidgets 显示用于分析已训练模型性能的基本用户界面。

interpret_model​

此函数分析已训练模型生成的预测结果。本函数中的大多数图基于 SHAP（Shapley Additive exPlanations）实现。

dashboard​

此函数为已训练模型生成交互式仪表板。仪表板基于 ExplainerDashboard 项目实现。

check_fairness​

此函数为给定模型提供数据集中不同群体之间的公平性相关指标。评价公平性的方法有多种，但此函数使用称为群体公平（group fairness）的方法，即探讨哪些群体的个体容易面临不公平的风险。

get_leaderboard​

此函数返回当前设置中所有训练模型的排行榜（leaderboard）。

assign_model​

此函数使用已训练模型为训练数据集分配标签。仅适用于无监督模块。

predict_model​

此函数使用已训练模型生成标签。当未传入未见数据时，它会在保留集上预测标签和得分。

finalize_model​

此函数在整个数据集上重新拟合指定模型。

save_model​

此函数将机器学习管道保存为 pickle 文件以便日后使用。

load_model​

此函数加载之前保存的管道。

save_experiment​

此函数将实验保存为 pickle 文件。

load_experiment​

此函数从 pickle 文件将实验加载回 Python。

check_drift​

此函数使用 evidently 库生成漂移报告文件。

deploy_model​

此函数将整个机器学习管道部署到云端。

convert_model​

此函数将已训练机器学习模型的决策函数转换为不同编程语言的等效代码，例如 Python、C、Java、Go、C# 等。

create_api此函数接受一个输入模型并为推理创建一个 POST API。它仅创建该 API，不会自动运行。​

create_docker​

此函数为部署 API 创建 Dockerfile 和 requirements.txt。

create_app​

此函数创建一个用于推理的基本 Gradio 应用。

pull​

返回最后打印的评分网格。

models​

返回一个表格，包含模型库导入模块中可用的所有模型。

get_config​

此函数检索 setup 函数创建的全局变量。

set_config​

此函数重置全局变量。

get_metrics​

返回用于交叉验证的所有可用指标的表格。

add_metric​

将自定义指标添加到用于交叉验证的指标容器中。

remove_metric​

从指标容器中移除自定义指标。

automl​

此函数返回当前 setup 中所有模型中表现最好的模型。

get_logs​

返回实验日志的表格。仅在初始化 setup 函数时将 log_experiment = True 时可用。

get_current_experiment​

获取当前实验对象。

set_current_experiment​

设置要与函数式 API 一起使用的当前实验。

上一步：其他设置参数 下一步：初始化

最后更新：1 年前