其他

PyCaret 中的其他函数

pull

返回最后打印的评分网格。在任何训练函数之后使用 pull 函数可以将评分网格存储在 pandas.DataFrame 中。

示例

# loading dataset
from pycaret.datasets import get_data
data = get_data('diabetes')

# init setup
from pycaret.classification import *
clf1 = setup(data, target = 'Class variable')

# compare models
best_model = compare_models()

# get the scoring grid
results = pull()

输出自 pull()

type(results)
# >>> pandas.core.frame.DataFrame

models

返回一个表格，其中包含模型库中导入模块中的所有可用模型。

示例

# loading dataset
from pycaret.datasets import get_data
data = get_data('diabetes')

# init setup
from pycaret.classification import *
clf1 = setup(data, target = 'Class variable')

# check model library
models()

输出自 models()

如果你想查看更多信息，可以传递 internal=True 参数。

# loading dataset
from pycaret.datasets import get_data
data = get_data('diabetes')

# init setup
from pycaret.classification import *
clf1 = setup(data, target = 'Class variable')

# check model library
models(internal = True)

输出自 models(internal = True)

get_config

此函数检索初始化 setup 函数时创建的全局变量。setup函数。

示例

# load dataset
from pycaret.datasets import get_data
data = get_data('diabetes')

# init setup
from pycaret.classification import *
clf1 = setup(data, target = 'Class variable')

# get X_train
get_config('X_train')

输出自 get_config('X_train')

使用 get_config 检查所有可访问参数

# check all available param
get_config()

get_config 函数可访问的变量

• 'USI'

• 'X'

• 'X_test'

• 'X_test_transformed'

• 'X_train'

• 'X_train_transformed'

• 'X_transformed'

• 'data'

• 'dataset'

• 'dataset_transformed'

• 'exp_id'

• 'exp_name_log'

• 'fix_imbalance'

• 'fold_generator'

• 'fold_groups_param'

• 'fold_shuffle_param'

• 'gpu_n_jobs_param'

• 'gpu_param'

• 'html_param'

• 'idx'

• 'is_multiclass'

• 'log_plots_param'

• 'logging_param'

• 'memory'

• 'n_jobs_param'

• 'pipeline'

• 'seed'

• 'target_param'

• 'test'

• 'test_transformed'

• 'train'

• 'train_transformed'

• 'variable_and_property_keys'

• 'variables'

• 'y'

• 'y_test'

• 'y_test_transformed'

• 'y_train'

• 'y_train_transformed'

• 'y_transformed'

set_config

此函数重置全局变量。

示例

# load dataset
from pycaret.datasets import get_data
data = get_data('diabetes')

# init setup
from pycaret.classification import *
clf1 = setup(data, target = 'Class variable', session_id = 123)

# reset environment seed
set_config('seed', 999) 

get_metrics

返回指标容器中所有可用指标的表格。所有这些指标都用于交叉验证。

# load dataset
from pycaret.datasets import get_data
data = get_data('diabetes')

# init setup
from pycaret.classification import *
clf1 = setup(data, target = 'Class variable', session_id = 123)

# get metrics
get_metrics()

输出自 get_metrics()

add_metric

将自定义指标添加到指标容器。

# load dataset
from pycaret.datasets import get_data
data = get_data('diabetes')

# init setup
from pycaret.classification import *
clf1 = setup(data, target = 'Class variable', session_id = 123)

# add metric
from sklearn.metrics import log_loss
add_metric('logloss', 'Log Loss', log_loss, greater_is_better = False)

输出自 add_metric('logloss', 'Log Loss', log_loss, greater_is_better = False)

现在，如果你检查指标容器

get_metrics()

输出自 get_metrics() （添加 log loss 指标后）

remove_metric

从指标容器中移除一个指标。

# remove metric
remove_metric('logloss')

无输出。我们再次检查指标容器。

get_metrics()

输出自 get_metrics() （移除 log loss 指标后）

automl

此函数根据 optimize 参数，从当前设置中所有已训练的模型中返回最佳模型。可以使用 get_metrics 函数访问评估的指标。

示例

# load dataset 
from pycaret.datasets import get_data 
data = get_data('diabetes') 

# init setup 
from pycaret.classification import *
clf1 = setup(data, target = 'Class variable') 

# compare models
top5 = compare_models(n_select = 5) 

# tune models
tuned_top5 = [tune_model(i) for i in top5]

# ensemble models
bagged_top5 = [ensemble_model(i) for i in tuned_top5]

# blend models
blender = blend_models(estimator_list = top5) 

# stack models
stacker = stack_models(estimator_list = top5) 

# automl 
best = automl(optimize = 'Recall')
print(best)

输出自 print(best)

get_logs

返回实验日志表格。仅在初始化 setup 函数时设置 log_experiment = True 时有效setup函数。

示例

# load dataset
from pycaret.datasets import get_data
data = get_data('diabetes')

# init setup
from pycaret.classification import *
clf1 = setup(data, target = 'Class variable', log_experiment = True, experiment_name = 'diabetes1')

# compare models
top5 = compare_models()

# check ML logs
get_logs()

输出自 get_logs()

get_current_experiment

获取当前实验对象并返回一个类。当你使用函数式 API 并想切换到面向对象 API 时，这很有用。

# loading dataset
from pycaret.datasets import get_data
data = get_data('insurance')

# init setup using functional API
from pycaret.regression import *
s = setup(data, target = 'charges', session_id = 123)

# compare models
best = compare_models()

# return OOP class for current functional experiment
reg1 = get_current_experiment()

set_current_experiment

将使用面向对象 API 创建的当前实验设置为与函数式 API 一起使用。

# loading dataset
from pycaret.datasets import get_data
data = get_data('insurance')

# init setup using OOP API
from pycaret.regression import RegressionExperiment
reg1 = RegressionExperiment()
reg1.setup(data, target = 'charges', session_id = 123)

# compare models
best = compare_models()

# set OOP experiment as functional
set_current_experiment(reg1)