【PyCaret】使用PyCaret创建机器学习Pipeline进行多分类任务

发现一个好东西，PyCaret机器学习Pipeline，记录一下用其进行多分类任务的使用方法。

1、简介

PyCaret是一个开源的、不用写很多代码的Python机器学习库，可以自动化机器学习工作流程，是一个端到端的机器学习和模型管理工具，可以成倍地加快实验周期，提高工作效率。

PyCaret本质上是几个机器学习库和框架的封装，比如scikit-learn、XGBoost、LightGBM、CatBoost、spaCy、Optuna、Hyperopt、Ray等等。

一字诗：棒~

2、安装PyCaret

安装命令：

python 复制代码

pip install pycaret

安装后测试：

python 复制代码

import pycaret
pycaret.__version__
'3.3.0'

3、PyCaret建模

PyCaret中一个典型的工作流程由以下5个步骤组成：

Setup ➡️ Compare Models ➡️ Analyze Model ➡️ Prediction ➡️ Save Model

首先，从pycaret数据集模块加载样本数据集（鸢尾花）

python 复制代码

from pycaret.datasets import get_data
data = get_data('iris')

非常不幸，在第一步就夭折了...

报错： requests.exceptions.ConnectionError: HTTPSConnectionPool(host='raw.githubusercontent.com', port=443): Max retries exceeded with url: /pycaret/datasets/main/data/common/iris.csv (Caused by NewConnectionError('<urllib3.connection.HTTPSConnection object at 0x00000224EF2D0C40>: Failed to establish a new connection: [Errno 11004] getaddrinfo failed'))

原因： https://raw.githubusercontent.com/pycaret/datasets/main/ 这个网址打不开，咋办呢，没有条件创造条件也要上...

解决： 发现 get_data('iris') 加载的数据集应该是如下的 dataframe 形式，一般情况下自己的数据集应该也是这样子的，因此我们把 sklearn.datasets 的鸢尾花数据集重建为 dataframe 形式就可以啦~

数据集构建代码：

python 复制代码

from sklearn.datasets import load_iris
import pandas as pd
target = load_iris().target
target_names = load_iris().target_names
mapping = {'0': target_names[0], '1': target_names[1], '2': target_names[2]}
df_data = pd.DataFrame(load_iris().data, columns=['sepal_length', 'sepal_width', 'petal_length', 'petal_width'])
target_str = pd.DataFrame([mapping[str(num)] for num in target], columns=['species'])
data = pd.concat([df_data, target_str], axis=1)

检查一下数据格式：

完美，可以继续啦~

3.1 Setup

Setup函数初始化训练环境并创建transformation pipeline。Setup函数必须在执行PyCaret中的任何其他函数之前调用，只有两个必需的参数，data和target，其他参数均为可选参数。

python 复制代码

from pycaret.classification import *
s = setup(data, target = 'species', session_id = 123)

Setup成功执行后，会显示以下实验信息：

信息说明：

（1）Session id：随机数种子；

（2）Target type：自动检测目标类型，二分类、多分类还是回归；

（3）Target mapping：标签编码，字符串映射为0、1；

（4）Original data shape：原始数据大小；

（5）Transformed train set shape：训练集大小；

（6）Transformed test set shape：测试集大小；

（7）Numeric features：数字特征的数量；

3.2 Compare Models

compare_models函数使用交叉验证训练和评估模型库中可用模型的性能，其输出是平均交叉验证分数。

比较基线模型：

python 复制代码

best = compare_models()

输出默认按ACC排序：

打印最优模型：

python 复制代码

print(best)

输出为最优模型的参数：

python 复制代码

LogisticRegression(C=1.0, class_weight=None, dual=False, fit_intercept=True,
                   intercept_scaling=1, l1_ratio=None, max_iter=1000,
                   multi_class='auto', n_jobs=None, penalty='l2',
                   random_state=123, solver='lbfgs', tol=0.0001, verbose=0,
                   warm_start=False)

我靠，发没发现，又出问题了，AUC怎么不显示啊啊啊啊啊...学习的路上总是充满坎坷...

调查了一下这个问题，发现这是一个很新的问题，但似乎并没有被解决，大家可以去看看，似乎是我的 PyCaret == 3.3.0 和 scikit-learn==1.4.1.post1 不太匹配的问题：
https://github.com/pycaret/pycaret/pull/3935
https://github.com/pycaret/pycaret/issues/3932

倔强的我，在linux环境中重新配了PyCaret == 3.2.0， scikit-learn==1.0.2，这下可以显示AUC了，舒服了~

后面哪位朋友解决了3.3.0的AUC不显示问题，记得踢我一下喔~

3.3 Analyze Model

（1）画混淆矩阵

python 复制代码

plot_model(best, plot = 'confusion_matrix')

（2）画AUC曲线

python 复制代码

plot_model(best, plot = 'auc')

这时候AUC又行了...显着你了...估计前面是哪传参数有问题...

（3）画特征重要性

python 复制代码

plot_model(best, plot = 'feature')

3.4 Prediction

predict_model函数返回 prediction_label 和 prediction_score（预测类的概率）作为数据表中新的列。当data为None（默认）时，它使用测试集（在setup函数期间创建）进行评分。

python 复制代码

holdout_pred = predict_model(best)

指标结果：

返回的dataframe：

3.5 Save Model

使用pycaret的save_model函数将整个Pipeline进行保存

python 复制代码

save_model(best, 'iris_pipeline')

保存后是一个pkl文件：

保存后的模型再加载：

python 复制代码

loaded_best_pipeline = load_model('iris_pipeline')

4、代码整合

python 复制代码

from sklearn.datasets import load_iris
import pandas as pd
from pycaret.classification import *

# 数据集加载
target = load_iris().target
target_names = load_iris().target_names
mapping = {'0': target_names[0], '1': target_names[1], '2': target_names[2]}
df_data = pd.DataFrame(load_iris().data, columns=['sepal_length', 'sepal_width', 'petal_length', 'petal_width'])
target_str = pd.DataFrame([mapping[str(num)] for num in target], columns=['species'])
data = pd.concat([df_data, target_str], axis=1)

# Setup
s = setup(data, target='species', session_id=123)

# Compare Models
best = compare_models()
print(best)

# Analyze Model
plot_model(best, plot = 'confusion_matrix')
plot_model(best, plot = 'auc')
plot_model(best, plot = 'feature')

# Prediction
holdout_pred = predict_model(best)

# Save Model
save_model(best, 'iris_pipeline')

# Load Model
loaded_best_pipeline = load_model('iris_pipeline')

代码是非常简洁明了的，但封装的太好了，有些想改的也不好改了~

参考资料：PyCaret Multiclass Classification Tutorial

更多学习：用PyCaret创建整个机器学习管道

PyCaret的github仓库：https://github.com/pycaret/pycaret/tree/master

最后说一句，PyCaret的Pipeline还是用JupyterLab运行最舒服，Spyter运行不显示，Pycharm运行不好看...