基本流程一般包含：读取数据->建模/对比模型->模型预测->绘图分析->模型导出
安装pycaret见此篇博文——>安装pycaret遇到的问题
使用此命令：——pip --default-timeout=100 install pycaret -i http://pypi.douban.com/simple/ --trusted-host pypi.douban.com
另附官方源码——>https://github.com/pycaret/pycaret
官方阅读——>https://pycaret.org/guide/
#从pycaret中加载数据
from pycaret.datasets import get_data
data = get_data('juice')
pycaret的资料存储库
核心代码方法：
anomaly.py 异常值检测（无监督）
arules.py 关联规则（无监督）
classification.py 分类（有监督）
clustering.py 聚类（无监督）
datasets.py 数据加载（辅助工具）
nlp.py 自然语言处理（无监督）
preprocess.py 预处理（辅助工具，被其它模块内部调用）
regression.py 回归（有监督）
# Classification
from pycaret.classification import *
# Regression
from pycaret.regression import *
# Clustering
from pycaret.clustering import *
# Anomaly Detection
from pycaret.anomaly import *
# Natural Language Processing
from pycaret.nlp import *
# Association Rule Mining
from pycaret.arules import *
分类例
# Importing dataset
from pycaret.datasets import get_data
diabetes = get_data('diabetes')
# Importing module and initializing setup
from pycaret.classification import *
clf1 = setup(data = diabetes, target = 'Class variable')
回归实例
# Importing dataset
from pycaret.datasets import get_data
boston = get_data('boston')
# Importing module and initializing setup
from pycaret.regression import *
reg1 = setup(data = boston, target = 'medv')
聚类示例
# Importing dataset
from pycaret.datasets import get_data
jewellery = get_data('jewellery')
# Importing module and initializing setup
from pycaret.clustering import *
clu1 = setup(data = jewellery)
异常检测示例
# Importing dataset
from pycaret.datasets import get_data
anomalies = get_data('anomaly')
# Importing module and initializing setup
from pycaret.anomaly import *
ano1 = setup(data = anomalies)
自然语言处理示例
# Importing dataset
from pycaret.datasets import get_data
kiva = get_data('kiva')
# Importing module and initializing setup
from pycaret.nlp import *
nlp1 = setup(data = kiva, target = 'en')
关联规则挖掘示例
# Importing dataset
from pycaret.datasets import get_data
france = get_data('france')
# Importing module and initializing setup
from pycaret.arules import *
arules1 = setup(data = france, transaction_id = 'InvoiceNo', item_id = 'Description')
get_data() 读数据，例程中多为读取示例数据，用户可以使用自己的数据代替。
setup() 预处理，各种建模方法（如分类/聚类）根据自己的特点实现了不同的setup，其中几乎都包含对预处理模块的调用。
models() 列出当前建模方法支持的所有模型。
compare_models() 训练多个模型，并对比其效果。
create_model() 训练模型。
predict_model() 使用模型预测。
plot_model() 显示模型相关的各种分析图，如AUC曲线，学习曲线，还包含词云图等。
tune_model() 模型调参。
assign_model() 查看无监督模型打标签的情况。
evaluate_model() 评价模型。
deploy_model() 云端部署。
ensemble_model() 集成模型。
finalize_model() 导出最终模型和参数。
from pycaret.datasets import get_data
import pandas as pd
import numpy as np
import warnings
获取数据
from pycaret.datasets import get_data
df= get_data('CTG')
#查看前五行
df.head()
## 删除不需要的列 名称 日期等
df=df.drop(["FileName","Date","SegFile","b","e"],axis=1)
#查看列名称
df.columns
数据预处理
df.shape
#查看缺失值
df.isnull().sum()
#删除包含空值的行
df = df.dropna()
#查看列的数据类型
df.dtypes
#查看数据的前五行
df.head()
导入机器学习库pycaret
#此命令基本上将从pychret导入分类任务所需要的所有模块
from pycaret.classification import *
#设置分类器
#将完整的数据作为数据传递 并将要预测的特征作为目标
clf=setup(data=df,target='NSP')
#此模型将用于比较所有模型以及交叉验证
compare_models()
由此可见xgboost（分类器）模型表现比较好，因此，我们将继续进行极端梯度增强模型。
#创建极端梯度提升xgboot模型
xgboost_classifier = create_model('xgboost')
#查看模型参数
xgboost_classifier
调整参数以获得更好的性能
#当我们比较不同的模型或建立模型时，都会使用deault
tuned_xgboost_classifile = tune_model(xgboost_classifier)#调整参数函数
绘制分类图
plot_model(tuned_xgboost_classifile,plot='class_report')
#绘制混淆矩阵
plot_model(tuned_xgboost_classifile,plot='confusion_matrix')
保存模型以供将来预测使用。
save_model(tuned_xgboost_classifile,"XGBOOT CLASSIFIER")
加载保存的模型。
save_model = load_model("XGBOOT CLASSIFIER")
