函数 | 文档 - PyCaret 机器学习库

此函数在 PyCaret 中初始化实验，并根据函数中传入的所有参数准备转换管道。setup 函数必须在执行任何其他函数之前调用。它只需要两个参数：data 和 target。所有其他参数都是可选的。

此函数使用交叉验证训练和评估模型库中所有可用模型的性能。此函数的输出是一个评分网格，其中包含平均交叉验证分数。

此函数使用交叉验证训练和评估给定模型的性能。此函数的输出是一个评分网格，其中包含交叉验证分数以及均值和标准差。

此函数调整给定模型的超参数。此函数的输出是一个评分网格，其中包含最佳模型的交叉验证分数。搜索空间是预定义的，并可灵活提供您自己的搜索空间。搜索算法可以是随机的、贝叶斯或其他几种，并具有在大规模集群上扩展的能力。

此函数集成给定模型。此函数的输出是一个评分网格，其中包含集成模型的交叉验证分数。可以使用 Bagging 或 Boosting 两种方法进行集成。

此函数为给定模型列表训练 Soft Voting / 多数规则分类器。此函数的输出是一个评分网格，其中包含 Voting 分类器或回归器的交叉验证分数。

此函数在给定模型列表之上训练元模型。此函数的输出是一个评分网格，其中包含 Stacking 分类器或回归器的交叉验证分数。

此函数优化给定模型的概率阈值。它遍历不同概率阈值下的性能指标，并返回一个图表，其中 y 轴是性能指标，x 轴是阈值。

此函数使用等渗回归或逻辑回归校准给定模型的概率。此函数的输出是一个评分网格，其中包含校准分类器的交叉验证分数。

此函数分析训练好的模型在保持集上的性能。在某些情况下，可能需要重新训练模型。

此函数使用 ipywidgets 显示一个基本用户界面，用于分析训练好的模型的性能。

此函数分析从训练好的模型生成的预测。此函数中的大多数图表都是基于 SHAP (Shapley Additive exPlanations) 实现的。

此函数为训练好的模型生成交互式仪表板。该仪表板使用 ExplainerDashboard 项目实现。

此函数为给定模型提供数据集中不同组之间的公平性相关指标。有许多评估公平性的方法，但此函数使用称为“群体公平性”的方法，即询问：哪些群体面临遭受损害的风险。

此函数返回当前设置中训练的所有模型的排行榜。

此函数使用训练好的模型为训练数据集分配标签。它仅适用于无监督模块。

此函数使用训练好的模型生成标签。如果未传入未见数据，则在保持集上预测标签和分数。

此函数在整个数据集上重新训练给定模型。

此函数将机器学习管道保存为 pickle 文件以供以后使用。

此函数加载先前保存的管道。

此函数将实验保存到 pickle 文件。

此函数将实验从 pickle 文件加载回 Python。

此函数使用 evidently 库生成漂移报告文件。

此函数将整个机器学习管道部署到云端。

此函数将训练好的机器学习模型的决策函数转译成不同的编程语言，例如 Python、C、Java、Go、C# 等。

此函数接收一个输入模型，并为其创建用于推理的 POST API。它只创建 API，不会自动运行。

此函数创建用于部署 API 的 Dockerfile 和 requirements.txt 文件。

此函数创建一个用于推理的基本 gradio 应用。

返回最后打印的评分网格。

返回包含模型库中导入模块中所有可用模型的表格。

此函数检索 setup 函数创建的全局变量。

此函数重置全局变量。

返回用于交叉验证的所有可用指标的表格。

将自定义指标添加到交叉验证的指标容器。

从指标容器中移除自定义指标。

此函数返回当前设置中所有模型的最佳模型。

返回实验日志表格。仅当初始化 setup 函数时 log_experiment = True 时有效。

获取当前实验对象。

设置用于函数式 API 的当前实验。