跳到主要内容

⚒ 发布说明

PyCaret 2.3.10​

发布日期：2022年4月10日（错误修复，新功能）

  • 修复了 predict_model 在加载的流水线中抛出异常的问题（#2349）
  • 修复了 ParallelBackend 可能会泄漏参数的问题 - 感谢 @goodwanghan（#2339）
  • 重构了 arules 模块中的一部分逻辑 - 感谢 @daikikatsuragawa（#2316）
  • 添加了两个中文教程 - 感谢 @ryanxjhan（#2352）
  • 添加了中文教程 CLF101 - 感谢 @ryanxjhan（#2353）
  • 添加了新的中文教程 - 感谢 @ryanxjhan（#2375）
  • 在 classification 和 regression 模块中添加了新函数 deep_check。

PyCaret 2.3.9​

发布日期：2022年3月27日（对2.3.8的热修复）

  • 使 log_experiment 更可配置（#2334，#2335）
  • 使 return_train_score=False 使用旧的输出格式（#2333）

PyCaret 2.3.8​

发布日期：2022年3月21日（对2.3.7的热修复）

  • 修复了 setup 过程中 dashboard_logger 的键错误（#2311）

PyCaret 2.3.7​

发布日期：2022年3月21日（新功能，错误修复）

  • Fugue 集成 - 感谢 @goodwanghan（#2035）
  • 添加了 W&B 实验记录器 - 感谢 @AyushExel（#2231）
  • 修复了 check_fairness 在 索引不是序数时抛出异常的问题 - 感谢 @reza1615（#2055）
  • 现在会替换数据框中的不支持字符 - 感谢 @reza1615（#2058）
  • 修复了分类列在漂移报告中的问题 - 感谢 @reza1615（#2063）
  • 添加了来自 UCI 的多变量时间序列数据集 - 感谢 @reza1615（#2094）
  • 修复了安装过程中的 UTF 错误 - 感谢 @reza1615（#2113）
  • MLFlow 跟踪 API 现在可以接受自定义标签 - 感谢 @netoferraz（#1526）
  • 更新了 create_api 函数（#2146）
  • drift_report 现在可以处理未见过的数据 - 感谢 @reza1615（#2183）
  • 添加了日文教程 - 感谢 @hanaseleb（#2215）
  • 添加了与交通和药物相关的违规数据集和示例 - 感谢 @HaithemH（#2191）
  • 现在可以从各种监督学习函数中返回训练分数（return_train_score=True）。将带有标签列的未见过的数据集传递给 predict_model 将计算该数据集的指标 - 感谢 @levelalphaone（#2237）
  • 修复了函数文档字符串中的拼写错误 - 感谢 @aadarshsingh191198（#2269）
  • 固定了 numba<0.55（#2056）

PyCaret 2.3.6​

发布日期：2022年1月11日（新功能，错误修复）

发布：PyCaret 2.3.6 | 发布日期：2022年1月11日（新功能，错误修复）

PyCaret 2.3.5​

发布日期：2021年11月19日（新功能，错误修复）

PyCaret 2.3.4​

发布日期：2021年9月23日（新功能，错误修复）​

PyCaret 2.3.3​

发布日期：2021年7月24日（新功能，错误修复）​

  • 通过固定interpret<=0.2.4来修复[full]安装的问题
  • 在deploy_model()中添加了对AWS中S3文件夹路径的支持
  • 启用了实验性的Optuna TPESampler选项以改善收敛性（在tune_model()中）

PyCaret 2.3.2​

发布日期：2021年7月7日（新功能，错误修复）​

PyCaret 2.3.1​

发布日期：2021年4月28日（修复了几个错误）​

  • 修复了在load_config()期间缺少变量（display_container等）时的异常
  • 修复了在GPU模式下使用Ridge和RF估算器时引发异常
  • 修复了PyCaret的cuML包装器无法被pickle化
  • 在内部方法get_all_object_vars_and_properties中添加了额外检查，修复了某些估算器引发异常的问题
  • save_model()现在支持kwargs，这些kwargs将传递给joblib.dump()
  • 修复了从AWS中load_model()时的问题（重复的.pkl扩展名） - 感谢markgrujic (https://github.com/pycaret/pycaret/pull/1128)
  • 修复了文档中的一个拼写错误 - 感谢koorukuroo (https://github.com/pycaret/pycaret/pull/1149)
  • 优化了Fix_multicollinearity转换器，大幅减少了保存的管道大小
  • interpret_model()现在支持作为参数传递的数据 - 感谢jbechtel (https://github.com/pycaret/pycaret/pull/1184)
  • 在log_experiment=True时，从MLflow日志记录中删除了infer_signature。
  • 修复了一个罕见的情况，即binary_multiclass_score_func无法被pickle化
  • 修复了特征选择中的边缘情况异常
  • 在使用GroupKFold CV时，修复了finalize_model引发的异常
  • 固定了mlxtend>=0.17.0，imbalanced-learn==0.7.0和gensim<4.0.0

PyCaret 2.3.0 ​

发布日期：2021年2月21日​

  • 受影响的模块： pycaret.classification pycaret.regression pycaret.clustering pycaret.anomaly pycaret.arules

变更摘要​

  • 在 pycaret.regression 模块中添加了新的交互式残差图。现在，您可以通过在 plot_model 函数中使用 residuals_interactive 来生成交互式残差图。
  • 增加了对 streamlit 应用程序的绘图支持。在 plot_model 函数中添加了一个新的参数 display_format。要在 streamlit 应用程序中渲染图形，请将其设置为 streamlit。
  • 对 Boruta 特征选择算法进行了改进。（试试看吧！）
  • pycaret.classification 和 pycaret.regression 中的 tune_model 现在与自定义模型兼容。
  • 在关联规则模块中添加了对 low_memory 和 max_len 的支持 (https://github.com/pycaret/pycaret/pull/1008)。
  • 提高了 DataFrame 检查的鲁棒性 (https://github.com/pycaret/pycaret/pull/1005)。
  • 改进了从 AWS 加载模型的过程 (https://github.com/pycaret/pycaret/pull/1005)。
  • Catboost 和 XGBoost 现在是可选依赖项。它们不会自动安装在默认的精简安装中。要安装可选依赖项，请使用 pip install pycaret[full]。
  • 在 pycaret.classification 模块的 predict_model 函数中添加了 raw_score 参数。当设置为 True 时，将分别返回每个类别的分数。
  • PyCaret 现在在可能的情况下返回基本的 scikit-learn 对象。
  • 当在 setup 函数中将 handle_unknown_categorical 设置为 False 时，如果数据中的分类特征包含未知级别，则在预测过程中将引发异常。
  • 多类分类的 predict_model 现在将标签作为整数返回。
  • 修复了 pycaret.clustering 和 pycaret.anomaly 中可能引发 IndexError 的边缘情况。
  • 修复了 pycaret.classification 和 pycaret.regression 中某些图形的文本格式问题。
  • 如果在初始化 setup 时无法创建 logs.log 文件，现在不会引发异常（未来将支持更多可配置的日志记录）。
  • 用户添加的指标现在不会引发异常，而是返回 0.0。
  • 与 tune-sklearn>=0.2.0 兼容。
  • 修复了删除目标列中的 NaN 值的边缘情况。
  • 修复了堆叠模型未正确调整的问题。
  • 修复了在 fold_shuffle=False 时 KFold 引发异常的问题。

PyCaret 2.2.3​

发布日期：2020年12月22日（多个错误修复 | 重要的兼容性修复）​

  • 修复了 predict_model 函数在数据列中包含非字符串字符时引发的异常。
  • 修复了 setup 函数中 remove_multicollinearity 参数的一个罕见异常。
  • 改进了将日期特征转换为分类特征的性能和鲁棒性。
  • 修复了 models 函数在传递 type 参数时引发的异常。
  • 现在可以使用 pull 函数访问 setup 后显示的数据框。
  • 修复了 save_config 引发的异常。
  • 修复了目标列被视为 ID 列并因此被删除的一种罕见情况。
  • 现在可以保存 SHAP 图（将 save 参数设置为 True）。
  • | 重要 | 兼容性在 catboost、pyod（其他影响尚不清楚）与 sklearn=0.24（于2020年12月22日发布）中中断。临时解决方法是在 requirements.txt 中明确要求 0.23.2。

PyCaret 2.2.2​

发布日期：2020年11月25日（多个错误修复）​

  • 修复了 pycaret.classification 模块中 optimize_threshold 函数的问题。现在它返回一个浮点数而不是一个数组。
  • 修复了 predict_model 函数的问题。它现在使用原始数据框来附加预测结果。因此，在返回预测结果时，不会删除推理时提供的任何额外列。而是在预测时内部忽略它们。
  • 修复了 pycaret.clustering 中 create_model 函数的边缘情况异常。
  • 修复了列名不是字符串时引发的异常。
  • 修复了 pycaret.regression 中 setup 函数中 transform_target 设置为 True 时的异常。
  • 修复了 models 函数在指定 type 参数时引发的异常。

PyCaret 2.2.1​

发布日期：2020年11月09日（多个错误修复）​

在 2.2 版本发布后，已修复以下问题：

  • 修复了 plot_model = 'tree' 引发的异常。
  • 修复了 predict_model 在非连续索引时引发错误的问题。
  • 修复了 setup 函数中 remove_outliers 参数的问题。它在训练数据中引入了额外的列。现在问题已经修复。
  • 修复了 pycaret.clustering 中 plot_model 引发的异常，该异常在非连续索引时引发错误。
  • 当 setup 函数中的 imputation_type 设置为 'iterative' 时，保存或记录模型时引发异常。
  • compare_models 现在在 html=False 时打印中间输出。
  • 二分类问题中 pycaret.classification 中的指标现在使用 average='binary' 进行计算。之前是正负类的加权平均，现在只计算正类。对于多分类问题，使用 average='weighted'。
  • optimize_threshold 现在返回优化后的概率阈值值作为 numpy 对象。
  • 修复了 compare_models 中的某些异常问题。
  • 在 setup 函数中添加了 profile_kwargs 参数，用于将关键字参数传递给 Pandas Profiler。
  • plot_model、interpret_model 和 evaluate_model 现在接受一个新参数 use_train_data，当设置为 True 时，会在训练数据上生成图表，而不是测试数据。

PyCaret 2.2**.0**​

发布日期：2020年10月28日​

变更摘要​

  • 受影响模块： pycaret.classification pycaret.regression pycaret.clustering pycaret.anomaly

  • 分离训练集和测试集： 在 pycaret.classification 和 pycaret.regression 的 setup 函数中添加了新参数 test_data。当将 DataFrame 传递给 test_data 时，它将被用作保留集，train_size 参数将被忽略。test_data 必须带有标签，并且其形状必须与 data 的形状相匹配。

  • 禁用默认预处理： 在 setup 函数中添加了一个新参数 preprocess。当 preprocess 设置为 False 时，除了 train_test_split 和在 custom_pipeline 参数中传递的自定义转换之外，不会应用任何转换。当 preprocess 设置为 False 时，数据必须准备好进行建模（没有缺失值，没有日期，分类数据编码）。

  • 自定义指标： 在 pycaret.classification、pycaret.regression 和 pycaret.clustering 中现在添加了新函数 get_metric、add_metric 和 remove_metric，可用于添加/删除模型评估中使用的指标。

  • 自定义转换： 在 setup 函数中添加了一个新参数 custom_pipeline。它接受一个 (str, transformer) 元组或元组列表。当传递时，它将在预处理流水线中附加自定义转换器，并分别应用于每个 CV 折叠以及最终拟合。所有自定义转换都应用于 train_test_split 之后和 pycaret 内部转换之前。

  • 启用 GPU 训练： 要在 setup 函数中使用 GPU 进行训练，可以将 use_gpu 参数设置为 True 或 force。设置为 True 时，它将使用支持 GPU 的算法，并对剩余算法使用 CPU。设置为 force 时，它将仅使用支持 GPU 的算法，并在不可用时引发异常。以下算法支持 GPU：

    • 极端梯度提升 pycaret.classification pycaret.regression
    • LightGBM pycaret.classification pycaret.regression
    • CatBoost pycaret.classification pycaret.regression
    • 随机森林 pycaret.classification pycaret.regression
    • K-最近邻 pycaret.classification pycaret.regression
    • 支持向量机 pycaret.classification pycaret.regression
    • 逻辑回归 pycaret.classification
    • 岭回归分类器 pycaret.classification
    • 线性回归 pycaret.regression
    • Lasso 回归 pycaret.regression
    • 岭回归 pycaret.regression
    • 弹性网络（回归） pycaret.regression
    • K-均值 pycaret.clustering
    • 基于密度的空间聚类 pycaret.clustering

  • 超参数调优： 在 pycaret.classification 和 pycaret.regression 的 tune_model 函数中添加了超参数调优的新方法。tune_model 函数中添加了新参数 search_library 和 search_algorithm。search_library 可以是 scikit-learn、scikit-optimize、tune-sklearn 和 optuna。search_algorithm 参数可以根据其 search_library 接受以下值：

    • scikit-learn：random grid
    • scikit-optimize：bayesian
    • tune-sklearn：random grid bayesian hyperopt bohb
    • optuna：random tpe

    除了 scikit-learn，所有其他搜索库不是 pycaret 的硬依赖项，必须单独安装。

  • 提前停止： 现在支持超参数调优的提前停止。在 pycaret.classification 和 pycaret.regression 的 tune_model 函数中添加了一个新参数 early_stopping。当 search_library 为 scikit-learn 时，或者估计器没有 'partial_fit' 属性时，它将被忽略。它可以是搜索库接受的对象，或以下之一：

    • asha 用于异步连续减半算法
    • hyperband 用于 Hyperband
    • median 用于中位数停止规则
    • 当为 False 或 None 时，将不使用提前停止。

  • 迭代插补： 现在已经实现了数值和分类缺失值的迭代插补类型。在setup函数中新增了参数imputation_type、iterative_imptutation_iters、categorical_iterative_imputer和numeric_iterative_imputer。详细信息请阅读博客文章：https://www.linkedin.com/pulse/iterative-imputation-pycaret-22-antoni-baum/?trackingId=Shg1zF%2F%2FR5BE7XFpzfTHkA%3D%3D

  • 新增绘图： 新增了以下绘图：

    • 提升曲线 pycaret.classification
    • 增益曲线 pycaret.classification
    • 决策树 pycaret.classification pycaret.regression
    • 全部特征 pycaret.classification pycaret.regression

  • CatBoost兼容性： CatBoostClassifier 和 CatBoostRegressor 现在与 plot_model 兼容。需要catboost>=0.23.2。

  • MLFlow服务器中的对数图： 现在可以在MLFlow跟踪服务器中记录plot_model函数中可用的任何图。要记录特定图，请在log_plots参数中传递包含图 ID 的列表。查看plot_model的文档以查看所有可用的图。

  • 数据分割分层： 在pycaret.classification和pycaret.regression的setup函数中新增了一个名为data_split_stratify的参数。它控制train_test_split期间的分层。设置为True时，将按目标列进行分层。要按其他列进行分层，请传递列名的列表。

  • 折叠策略： 在pycaret.classification和pycaret.regression的setup函数中新增了一个名为fold_strategy的参数。默认情况下，对于pycaret.classification是'stratifiedkfold'，对于pycaret.regression是'kfold'。可能的值包括：

    • kfold 用于KFold交叉验证；
    • stratifiedkfold 用于分层KFold交叉验证；
    • groupkfold 用于组KFold交叉验证；
    • timeseries 用于时间序列分割交叉验证；或
    • 与scikit-learn兼容的自定义CV生成器对象。

  • 全局折叠参数： 在pycaret.classification和pycaret.regression的setup函数中新增了一个名为fold的参数。它控制交叉验证中要使用的折数。这是一个全局设置，可以通过在每个函数内部使用fold参数来覆盖。当fold_strategy是自定义对象时将被忽略。

  • 折叠组： 当fold_strategy为groupkfold时，可选的组标签。它接受一个形状为(n_samples, )的数组，其中n_samples是训练数据集中的行数。当传递字符串时，它被解释为数据集中包含组标签的列名。

  • 转换流水线： 现在所有转换都应用在train_test_split之后。

  • 数据类型处理： 所有内部数据类型处理已从int64和float64更改为分别为int32和float32，以改善内存使用和性能，以及与基于GPU的算法更好地兼容。

  • AutoML行为更改： pycaret.classification和pycaret.regression中的automl函数不再在整个数据集上重新拟合模型。因此，如果需要在整个数据集（包括留出集）上拟合模型，则必须显式使用finalize_model。

  • 默认调优网格： RandomForest、XGBoost、CatBoost和LightGBM的默认超参数调优网格已更改，以删除max_depth等训练强度参数的极端值，以加快调优过程。

  • 随机森林默认值： RandomForestClassifier和RandomForestRegressor的n_estimators默认值已从10更改为100，以使其与scikit-learn的默认行为一致。

  • 多类分类的AUC： 多类目标的AUC现在在度量评估中可用。

  • Google Colab显示： 现在屏幕上打印的所有输出（信息网格、分数网格）现在与Google Colab兼容的格式，从而提高语义。

  • 已移除的抽样参数： pycaret.classification和pycaret.regression的setup函数中现在已移除了sampling参数。

  • 类型提示： 为了使使用和开发更容易，所有更新后的pycaret函数都添加了类型提示，符合最佳实践。用户可以通过使用支持类型提示的IDE来利用这些功能。

  • 文档： 网站上的所有模块文档现已停用。更新后的文档在此处可用：https://pycaret.readthedocs.io/en/latest/

函数级别更改​

PyCaret 2.2 中引入的新函数​

  • get_metrics： 返回用于交叉验证的可用指标表。pycaret.classification pycaret.regression pycaret.clustering
  • ensemble: bool, default = False When set to True, creates an ensemble of models using the best performing models based on the evaluation metric.
  • method: str, default = None The method used for creating the ensemble. Possible values are:
    • 'Bagging'
    • 'Boosting'
    • 'Stacking'
    • 'Voting'
  • fold: int, default = 10 The number of folds to be used in cross-validation for creating the ensemble. Must be at least 2.
  • round: int, default = 4 The number of decimal places for rounding the average of the ensemble predictions.
  • verbose: bool, default = True Controls the verbosity of the ensemble creation process.

tune_model​

pycaret.classification pycaret.regression

Following new parameters have been added:

  • n_iter: int, default = 10 The number of iterations for the random search. Ignored when optimize is not 'random'.
  • optimize: str, default = 'accuracy' The metric to optimize during hyperparameter tuning. Possible values are:
    • 'accuracy'
    • 'auc'
    • 'recall'
    • 'precision'
    • 'f1'
    • 'kappa'
    • 'mcc'
    • 'ap'
    • 'ndcg'
    • 'map'
    • 'mlogloss'
    • 'rmse'
    • 'mse'
    • 'mae'
    • 'r2'
    • 'rmsle'
    • 'mape'
    • 'pearson'
    • 'determination'
  • early_stopping: bool, default = False When set to True, early stopping is applied during hyperparameter tuning.
  • early_stopping_rounds: int, default = 50 The number of rounds without improvement before early stopping is triggered.
  • early_stopping_tolerance: float, default = 0.001 The minimum improvement required to consider it as an improvement and not trigger early stopping.
  • custom_grid: dict, default = None A dictionary containing custom hyperparameter grids for the models. The keys of the dictionary should be the model names and the values should be the hyperparameter grids.
  • search_library: str, default = 'scikit-learn' The library to use for hyperparameter tuning. Possible values are:
    • 'scikit-learn'
    • 'optuna'
    • 'tune-sklearn'
    • 'scikit-optimize'
    • 'hyperopt'
    • 'optunity'
    • 'genetic'
    • 'pyswarms'
    • 'skopt'
    • 'bayesian-optimization'
    • 'optunity'
    • 'goptuna'
    • 'hyperopt'
    • 'tpe'
    • 'annealing'
    • 'pysot'
    • 'dragonfly'
    • 'nevergrad'
    • 'optuna'
    • 'optunity'
    • 'hyperopt'
    • 'goptuna'
    • 'tpe'
    • 'annealing'
    • 'pysot'
    • 'dragonfly'
    • 'nevergrad'
    • 'optuna'
    • 'optunity'
    • 'hyperopt'
    • 'goptuna'
    • 'tpe'
    • 'annealing'
    • 'pysot'
    • 'dragonfly'
    • 'nevergrad'
    • 'optuna'
    • 'optunity'
    • 'hyperopt'
    • 'goptuna'
    • 'tpe'
    • 'annealing'
    • 'pysot'
    • 'dragonfly'
    • 'nevergrad'
    • 'optuna'
    • 'optunity'
    • 'hyperopt'
    • 'goptuna'
    • 'tpe'
    • 'annealing'
    • 'pysot'
    • 'dragonfly'
    • 'nevergrad'
    • 'optuna'
    • 'optunity'
    • 'hyperopt'
    • 'goptuna'
    • 'tpe'
    • 'annealing'
    • 'pysot'
    • 'dragonfly'
    • 'nevergrad'
    • 'optuna'
    • 'optunity'
    • 'hyperopt'
    • 'goptuna'
    • 'tpe'
    • 'annealing'
    • 'pysot'
    • 'dragonfly'
    • 'nevergrad'
    • 'optuna'
    • 'optunity'
    • 'hyperopt'
    • 'goptuna'
    • 'tpe'
    • 'annealing'
    • 'pysot'
    • 'dragonfly'
    • 'nevergrad'
    • 'optuna'
    • 'optunity'
    • 'hyperopt'
    • 'goptuna'
    • 'tpe'
    • 'annealing'
    • 'pysot'
    • 'dragonfly'
    • 'nevergrad'
    • 'optuna'
    • 'optunity'
    • 'hyperopt'
    • 'goptuna'
    • 'tpe'
    • 'annealing'
    • 'pysot'
    • 'dragonfly'
    • 'nevergrad'
    • 'optuna'
    • 'optunity'
    • 'hyperopt'
    • 'goptuna'
    • 'tpe'
    • 'annealing'
    • 'pysot'
    • 'dragonfly'
    • 'nevergrad'
    • 'optuna'
    • 'optunity'
    • 'hyperopt'
    • 'goptuna'
    • 'tpe'
    • 'annealing'
    • 'pysot'
    • 'dragonfly'
    • 'nevergrad'
    • 'optuna'
    • 'optunity'
    • 'hyperopt'
    • 'goptuna'
    • 'tpe'
    • 'annealing'
    • 'pysot'
    • 'dragonfly'
    • 'nevergrad'
    • 'optuna'
    • 'optunity'
    • 'hyperopt'
    • 'goptuna'
    • 'tpe'
    • 'annealing'
    • 'pysot'
    • 'dragonfly'
    • 'nevergrad'
    • 'optuna'
    • 'optunity'
    • 'hyperopt'
    • 'goptuna'
    • 'tpe'
    • 'annealing'
    • 'pysot'
    • 'dragonfly'
    • 'nevergrad'
    • 'optuna'
    • 'optunity'
    • 'hyperopt'
    • 'goptuna'
    • 'tpe'
    • 'annealing'
    • 'pysot'
    • 'dragonfly'
    • 'nevergrad'
    • 'optuna'
    • 'optunity'
    • 'hyperopt'
    • 'goptuna'
    • 'tpe'
    • 'annealing'
    • 'pysot'
    • 'dragonfly'
    • 'nevergrad'
    • 'optuna'
    • 'optunity'
    • 'hyperopt'
    • 'goptuna'
    • 'tpe'
    • 'annealing'
    • 'pysot'
    • 'dragonfly'
    • 'nevergrad'
    • 'optuna'
    • 'optunity'
    • 'hyperopt'
    • 'goptuna'
    • 'tpe'
    • 'annealing'
    • 'pysot'
    • 'dragonfly'
    • 'nevergrad'
    • 'optuna'
    • 'optunity'
    • 'hyperopt'
    • 'goptuna'
    • 'tpe'
    • 'annealing'
    • 'pysot'
    • 'dragonfly'
    • 'nevergrad'
    • 'optuna'
    • 'optunity'
    • 'hyperopt'
    • 'goptuna'
    • 'tpe'
    • 'annealing'
    • 'pysot'
    • 'dragonfly'
    • 'nevergrad'
    • 'optuna'
    • 'optunity'
    • 'hyperopt'
    • 'goptuna'
    • 'tpe'
    • 'annealing'
    • 'pysot'
    • 'dragonfly'
    • 'nevergrad'
    • 'optuna'
    • 'optunity'
    • 'hyperopt'
    • 'goptuna'
    • 'tpe'
    • 'annealing'
    • 'pysot'
    • 'dragonfly'
    • 'nevergrad'
    • 'optuna'
    • 'optunity'
    • 'hyperopt'
    • 'goptuna'
    • 'tpe'
    • 'annealing'
    • 'pysot'
    • 'dragonfly'
    • 'nevergrad'
    • 'optuna'
    • 'optunity'
    • 'hyperopt'
    • 'goptuna'
    • 'tpe'
    • 'annealing'
    • 'pysot'
    • 'dragonfly'
    • 'nevergrad'
    • 'optuna'
    • 'optunity'
    • 'hyperopt'
    • 'goptuna'
    • 'tpe'
    • 'annealing'
    • 'pysot'
    • 'dragonfly'
    • 'nevergrad'
    • 'optuna'
    • 'optunity'
    • 'hyperopt'
    • 'goptuna'
    • 'tpe'
    • 'annealing'
    • 'pysot'
    • 'dragonfly'
    • 'nevergrad'
    • 'optuna'
    • 'optunity'
    • 'hyperopt'
    • 'goptuna'
    • 'tpe'
    • 'annealing'
    • 'pysot'
    • 'dragonfly'
    • 'nevergrad'
    • 'optuna'
    • 'optunity'
    • 'hyperopt'
    • 'goptuna'
    • 'tpe'
    • 'annealing'
    • 'pysot'
    • 'dragonfly'
    • 'nevergrad'
    • 'optuna'
    • 'optunity'
    • 'hyperopt'
    • 'goptuna'
    • 'tpe'
    • 'annealing'
    • 'pysot'
    • 'dragonfly'
    • 'nevergrad'
    • 'optuna'
    • 'optunity'
    • 'hyperopt'
    • 'goptuna'
    • 'tpe'
    • 'annealing'
    • 'pysot'
    • 'dragonfly'
    • 'nevergrad'
    • 'optuna'
    • 'optunity'
    • 'hyperopt'
    • 'goptuna'
    • 'tpe'
    • 'annealing'
    • 'pysot'
    • 'dragonfly'
    • 'nevergrad'
    • 'optuna'
    • 'optunity'
    • 'hyperopt'
    • 'goptuna'
    • 'tpe'
    • 'annealing'
    • 'pysot'
    • 'dragonfly'
    • 'nevergrad'
    • 'optuna'
    • 'optunity'
    • 'hyperopt'
    • 'goptuna'
    • 'tpe'
    • 'annealing'
    • 'pysot'
    • 'dragonfly'
    • 'nevergrad'
    • 'optuna'
    • 'optunity'
    • 'hyperopt'
    • 'goptuna'
    • 'tpe'
    • 'annealing'
    • 'pysot'
    • 'dragonfly'
    • 'nevergrad'
    • 'optuna'
    • 'optunity'
    • 'hyper
  • cross_validation: bool = True 当设置为 False 时，将在留出集上评估指标。当 cross_validation 设置为 False 时，fold 参数将被忽略。
  • fit_kwargs: Optional[dict] = None 传递给模型的 fit 方法的参数字典。
  • groups: Optional[Union[str, Any]] = None 在使用 'GroupKFold' 进行交叉验证时的可选组标签。它接受一个形状为 (n_samples, ) 的数组，其中 n_samples 是训练数据集中的行数。当传递一个字符串时，它被解释为数据集中包含组标签的列名。

以下参数已被移除：

  • ensemble - 已弃用 - 直接使用 ensemble_model 函数。
  • method - 已弃用 - 直接使用 ensemble_model 函数。
  • system - 已移至私有 API。

tune_model​

pycaret.classification pycaret.regression

以下新参数已被添加：

  • search_library: str, default = 'scikit-learn' 用于调整超参数的搜索库。可能的值为：

    'scikit-learn' - 默认值，无需进一步安装 https://github.com/scikit-learn/scikit-learn

    'scikit-optimize' - pip install scikit-optimize https://scikit-optimize.github.io/stable/

    'tune-sklearn' - pip install tune-sklearn ray[tune] https://github.com/ray-project/tune-sklearn

    'optuna' - pip install optuna https://optuna.org/

  • search_algorithm: str, default = None 搜索算法取决于 search_library 参数。某些搜索算法需要安装额外的库。当为 None 时，将使用搜索库特定的默认算法。

    scikit-learn 可能的值：- random（默认）- grid

    scikit-optimize 可能的值：- bayesian（默认）

    tune-sklearn 可能的值：- random（默认）- grid - bayesian pip install scikit-optimize - hyperopt pip install hyperopt - bohb pip install hpbandster ConfigSpace

    optuna 可能的值：- tpe（默认）- random

  • early_stopping: bool or str or object, default = False 使用早期停止来停止对超参数配置的拟合，如果表现不佳。当 search_library 是 scikit-learn 时被忽略，或者估计器没有 'partial_fit' 属性时被忽略。如果为 False 或 None，则不会使用早期停止。可以是搜索库接受的对象，或以下之一：

    • 'asha' 代表异步连续减半算法
    • 'hyperband' 代表 Hyperband
    • 'median' 代表中位数停止规则
    • 如果为 False 或 None，则不会使用早期停止。

  • early_stopping_max_iters: int, default = 10 每个采样配置运行的最大迭代次数。如果 early_stopping 为 False 或 None，则被忽略。

  • fit_kwargs: Optional[dict] = None 传递给模型的 fit 方法的参数字典。

  • groups: Optional[Union[str, Any]] = None 在使用 'GroupKFold' 进行交叉验证时的可选组标签。它接受一个形状为 (n_samples, ) 的数组，其中 n_samples 是训练数据集中的行数。当传递一个字符串时，它被解释为数据集中包含组标签的列名。

  • return_tuner: bool, default = False 当设置为 True 时，将返回一个元组 (model, tuner_object)。

  • tuner_verbose: bool or in, default = True 如果为 True 或大于 0，则会打印来自调整器的消息。值越高，打印的消息越多。当 verbose 参数为 False 时被忽略。

ensemble_model​

pycaret.classification pycaret.regression

以下新参数已被添加：

  • fit_kwargs: Optional[dict] = None 传递给模型的 fit 方法的参数字典。
  • groups: Optional[Union[str, Any]] = None 在使用 'GroupKFold' 进行交叉验证时的可选组标签。它接受一个形状为 (n_samples, ) 的数组，其中 n_samples 是训练数据集中的行数。当传递一个字符串时，它被解释为数据集中包含组标签的列名。

blend_models​

pycaret.classification pycaret.regression

以下新参数已被添加：

  • fit_kwargs: Optional[dict] = None 传递给模型的 fit 方法的参数字典。
  • groups: Optional[Union[str, Any]] = None 在使用 'GroupKFold' 进行交叉验证时的可选组标签。它接受一个形状为 (n_samples, ) 的数组，其中 n_samples 是训练数据集中的行数。当传递一个字符串时，它被解释为数据集中包含组标签的列名。
  • weights: list, default = None 权重序列（浮点数或整数），用于对预测类标签的出现进行加权（硬投票）或在平均之前加权类概率（软投票）。当为 None 时使用均匀权重。
  • method 参数的默认值已从 hard 更改为 auto。

stack_models​

pycaret.classification pycaret.regression

添加了以下新参数：

  • fit_kwargs: Optional[dict] = None 传递给模型的 fit 方法的参数字典。
  • groups: Optional[Union[str, Any]] = None 当使用 'GroupKFold' 进行交叉验证时，可选的组标签。它接受一个形状为 (n_samples, ) 的数组，其中 n_samples 是训练数据集中的行数。当传递一个字符串时，它被解释为包含组标签的数据集中的列名。

calibrate_model​

pycaret.classification

添加了以下新参数：

  • fit_kwargs: Optional[dict] = None 传递给模型的 fit 方法的参数字典。
  • groups: Optional[Union[str, Any]] = None 当使用 'GroupKFold' 进行交叉验证时，可选的组标签。它接受一个形状为 (n_samples, ) 的数组，其中 n_samples 是训练数据集中的行数。当传递一个字符串时，它被解释为包含组标签的数据集中的列名。

plot_model​

pycaret.classification pycaret.regression

添加了以下新参数：

  • fold: int or scikit-learn compatible CV generator, default = None 控制交叉验证。如果为 None，则使用 setup 函数中 fold_strategy 参数中的 CV 生成器。当传递一个整数时，它被解释为 setup 函数中 CV 生成器的 'n_splits' 参数。
  • fit_kwargs: Optional[dict] = None 传递给模型的 fit 方法的参数字典。
  • groups: Optional[Union[str, Any]] = None 当使用 'GroupKFold' 进行交叉验证时，可选的组标签。它接受一个形状为 (n_samples, ) 的数组，其中 n_samples 是训练数据集中的行数。当传递一个字符串时，它被解释为包含组标签的数据集中的列名。

evaluate_model​

pycaret.classification pycaret.regression

添加了以下新参数：

  • fold: int or scikit-learn compatible CV generator, default = None 控制交叉验证。如果为 None，则使用 setup 函数中 fold_strategy 参数中的 CV 生成器。当传递一个整数时，它被解释为 setup 函数中 CV 生成器的 'n_splits' 参数。
  • fit_kwargs: Optional[dict] = None 传递给模型的 fit 方法的参数字典。
  • groups: Optional[Union[str, Any]] = None 当使用 'GroupKFold' 进行交叉验证时，可选的组标签。它接受一个形状为 (n_samples, ) 的数组，其中 n_samples 是训练数据集中的行数。当传递一个字符串时，它被解释为包含组标签的数据集中的列名。

finalize_model​

pycaret.classification pycaret.regression

添加了以下新参数：

  • fit_kwargs: Optional[dict] = None 传递给模型的 fit 方法的参数字典。
  • groups: Optional[Union[str, Any]] = None 当使用 'GroupKFold' 进行交叉验证时，可选的组标签。它接受一个形状为 (n_samples, ) 的数组，其中 n_samples 是训练数据集中的行数。当传递一个字符串时，它被解释为包含组标签的数据集中的列名。
  • model_only: bool, default = True 当设置为 False 时，只重新训练模型对象，忽略 Pipeline 中的所有转换。

models​

pycaret.classification pycaret.regression pycaret.clustering pycaret.anomaly

添加了以下新参数：

  • internal: bool, default = False 当为 True 时，将返回内部使用的额外列和行。
  • raise_errors: bool, default = True 当为 False 时，将抑制所有异常，忽略无法创建的模型。

PyCaret 2.1.2​

发布日期：2020年8月31日（错误修复）​

  • 在发布 2.1 后，有一个报告的 bug 阻止了 regression 模块中的 predict_model 函数在新的笔记本会话中工作，当在模型训练期间将 transform_target 设置为 False 时。这个问题已在 PyCaret 发布 2.1.2 中修复。了解更多关于该问题的信息：https://github.com/pycaret/pycaret/issues/525

PyCaret 2.1.1​

发布日期：2020年8月30日（错误修复）​

  • 在发布 2.1 版本后，发现了 MLFlow 后端的一个 bug。只有当 setup 函数中的 log_experiment 设置为 True 时才会出现错误，并且适用于所有模块。已经确定了错误的原因，并向 MLFlow 提交了一个问题。错误是由 mlflow.sklearn.log_model 中的 infer_signature 函数引起的，仅在数据集中存在缺失值时才会引发错误。这个问题已经在 PyCaret 发布的 2.1.1 版本中得到修复，通过在 MLFlow 引发异常时跳过签名来解决这个问题。

PyCaret 2.1​

发布日期：2020年8月28日​

变更摘要​

  • 模型部署 在所有模块的 deploy_model 函数中增加了对 gcp 和 azure 的模型部署支持。详情请参阅 文档。

  • 比较模型预算时间 在 compare_models 函数中新增了参数 budget_time。可以使用 budget_time 参数设置 compare_models 的训练时间上限。

  • 特征选择 新增了特征选择方法 boruta 用于特征选择。默认情况下，setup 函数中的 feature_selection_method 参数设置为 classic，但可以将其设置为 boruta 以使用 boruta 算法进行特征选择。此更改适用于 pycaret.classification 和 pycaret.regression。

  • 数值填充 在 setup 函数的 numeric_imputation 中新增了方法 zero。当方法设置为 zero 时，缺失值将被替换为常数 0。numeric_imputation 的默认行为未更改。

  • 绘制模型 在所有模块的 plot_model 中新增了参数 scale，以生成适用于研究出版物的高质量图像。

  • 用户定义损失函数 现在可以在 pycaret.classification 和 pycaret.regression 的 tune_model 中传递 custom_scorer 以优化用户定义的损失函数。您必须使用 sklearn 中的 make_scorer 创建可传递给 tune_model 函数中的 custom_scorer 的自定义损失函数。

  • 管道行为变更 在使用 save_model 时，model 对象被追加到 Pipeline 中，因此 Pipeline 和 predict_model 的行为现已更改。现在，save_model 不再保存 list，而是保存 Pipeline 对象，其中训练模型位于最后位置。predict_model 的前端用户功能保持不变。

  • 比较模型 参数 blacklist 和 whitelist 现已更名为 exclude 和 include，功能未更改。

  • 预测模型标签 pycaret.classification 中 predict_model 函数返回的 Label 列现在返回原始标签而不是编码值。此更改旨在使 predict_model 的输出更易读。新增了一个参数 encoded_labels，默认值为 False。当设置为 True 时，将返回编码标签。

  • 模型记录 当 log_experiment 设置为 True 时，后端中的模型持久性现已更改。现在不再使用内部的 save_model 功能，而是采用 mlflow.sklearn.save_model，以允许使用模型注册表和 MLFlow 的本机部署功能。

  • CatBoost 兼容性 CatBoostClassifier 现在与 pycaret.classification 中的 blend_models 兼容。因此，blend_models 在没有任何 estimator_list 的情况下现在将混合总共 15 个估算器，包括 CatBoostClassifier。

  • 堆叠模型 pycaret.classification 和 pycaret.regression 中的 stack_models 现在采用来自 sklearn 的 StackingClassifier() 和 StackingRegressor。因此，stack_models 函数现在返回 sklearn 对象，而不是之前版本中的自定义 list。

  • 创建 Stacknet pycaret.classification 和 pycaret.regression 中的 create_stacknet 现已移除。

  • 调整模型 pycaret.classification 和 pycaret.regression 中的 tune_model 现在继承输入 estimator 的参数。因此，如果您在 GPU 上训练了 xgboost、lightgbm 或 catboost，将不会继承自 estimator 的训练方法。

  • 解释模型 在 interpret_model 中现已添加 **kwargs 参数。

  • Pandas 分类类型 所有模块现在兼容 pandas.Categorical 对象。在内部，它们被转换为对象，并且与 object 或 bool 一样对待。

  • use_gpu 在 pycaret.classification 和 pycaret.regression 的 setup 函数中新增了一个参数。在 2.1 版本中，它被添加以准备未来版本中所需的后端工作。因此，在 2.1 中使用 use_gpu 参数没有影响。

  • 单元测试 单元测试得到增强。持续改进进行中 https://github.com/pycaret/pycaret/tree/master/pycaret/tests

  • 自动化文档已添加 现在已添加自动化文档。网站上的文档仅在major版本发布0.X时更新。对于所有次要的每月发布，文档将在以下网址提供：https://pycaret.readthedocs.io/en/latest/

  • 引入 GitHub Actions CI/CD 构建测试现已从travis-ci迁移到github-actions。pycaret-nightly现在每24小时自动发布一次。

  • 教程 所有教程现已更新为使用pycaret==2.0。https://github.com/pycaret/pycaret/tree/master/tutorials

  • 资源 在/pycaret/resources/下添加了新资源。https://github.com/pycaret/pycaret/tree/master/resources

  • 示例笔记本 在/pycaret/examples/下添加了许多示例笔记本。https://github.com/pycaret/pycaret/tree/master/examples

PyCaret 2.0​

发布日期：2020年7月31日​

变更摘要​

  • 实验记录 添加了 MLFlow 记录后端。setup中添加了新参数log_experiment experiment_name log_profile log_data。在pycaret.classification pycaret.regression pycaret.clustering pycaret.anomaly pycaret.nlp中可用\

  • 保存/加载实验 在 PyCaret 2.0 中，从pycaret.classification pycaret.regression pycaret.clustering pycaret.anomaly pycaret.nlp中移除了save_experiment和load_experiment函数\

  • 系统记录 在执行setup时现在会生成系统日志文件。logs.log文件保存在当前工作目录中。可以使用get_system_logs函数在笔记本中访问日志文件\

  • 命令行支持 在笔记本之外使用 PyCaret 2.0 时，setup中的html参数必须设置为 False\

  • 不平衡数据集 在setup中为pycaret.classification添加了fix_imbalance和fix_imbalance_method参数。当设置为 True 时，默认应用 SMOTE 来为少数类创建合成数据点。要更改方法，请在fix_imbalance_method参数中传递任何支持fit_resample方法的imblearn类\

  • 保存图表 在plot_model中添加了save参数。当设置为 True 时，将图表保存为png或html格式到当前工作目录\

  • kwargs 在pycaret.classification pycaret.regression pycaret.clustering pycaret.anomaly的create_model中添加了kwargs**\

  • choose_better 在pycaret.classification和pycaret.regression的tune_model ensemble_model blend_models stack_models create_stacknet中添加了choose_better和optimize参数。阅读下面的详细信息以了解更多关于此的内容\

  • 训练时间 在pycaret.classification和pycaret.regression的compare_models函数中添加了TT (Sec)\

  • 新指标：MCC 在pycaret.classification的得分网格中添加了MCC指标\

  • 新函数：automl() 在pycaret.classification pycaret.regression中添加了新函数automl\

  • 新函数：pull() 在pycaret.classification pycaret.regression中添加了新函数pull\

  • 新函数：models() 在pycaret.classification pycaret.regression pycaret.clustering pycaret.anomaly pycaret.nlp中添加了新函数models\

  • 新函数：get_logs() 在pycaret.classification pycaret.regression pycaret.clustering pycaret.anomaly pycaret.nlp中添加了新函数get_logs\

  • 新函数：get_config() 在pycaret.classification pycaret.regression pycaret.clustering pycaret.anomaly pycaret.nlp中添加了新函数get_config\

  • 新函数：set_config() 在pycaret.classification pycaret.regression pycaret.clustering pycaret.anomaly pycaret.nlp中添加了新函数set_config\

  • 新函数：get_system_logs 在pycaret.classification pycaret.regression pycaret.clustering pycaret.anomaly pycaret.nlp中添加了新函数get_logs\

  • 行为变更：compare_models compare_models现在返回由n_select参数定义的前n个模型，默认设置为1\

  • 行为变更：tune_model pycaret.classification和pycaret.regression中的tune_model函数现在需要传递训练好的模型对象作为estimator，而不是字符串缩写/ID\

  • 移除的依赖项 从requirements.txt中移除了awscli和shap。要在pycaret.classification pycaret.regression中使用interpret_model函数和在pycaret.classification pycaret.regression pycaret.clustering pycaret.anomaly中使用deploy_model函数，必须单独安装这些库\

setup​

pycaret.classification pycaret.regression pycaret.clustering pycaret.anomaly pycaret.nlp

  • 在 setup() 中添加了 remove_perfect_collinearity 参数。默认设置为 False。
    当设置为 True 时，会从数据集中删除完全共线的特征（相关性为1）。当两个特征完全相关时，其中一个将随机从数据集中删除。

  • 在 setup() 中添加了 fix_imbalance 参数。默认设置为 False。
    当数据集的目标类别分布不平衡时，可以使用 fix_imbalance 参数进行修正。当设置为 True 时，默认情况下会应用 SMOTE（合成少数类过采样技术）来为少数类别创建合成数据点。

  • 在 setup() 中添加了 fix_imbalance_method 参数。默认设置为 None。
    当 fix_imbalance 设置为 True 且 fix_imbalance_method 为 None 时，默认情况下会在交叉验证期间使用 'smote' 来对少数类别进行过采样。该参数接受任何支持 'fit_resample' 方法的 'imblearn' 模块。

  • 在 setup() 中添加了 data_split_shuffle 参数。默认设置为 True。
    如果设置为 False，则在拆分数据时阻止行的洗牌。

  • 在 setup() 中添加了 folds_shuffle 参数。默认设置为 False。
    如果设置为 False，则在使用交叉验证时阻止行的洗牌。

  • 在 setup() 中添加了 n_jobs 参数。默认设置为 -1。
    并行运行的作业数（对支持并行处理的函数而言），-1 表示使用所有处理器。要在单个处理器上运行所有函数，请将 n_jobs 设置为 None。

  • 在 setup() 中添加了 html 参数。默认设置为 True。
    如果设置为 False，则阻止运行时显示监视器。在使用不支持 HTML 的环境时，必须将其设置为 False。

  • 在 setup() 中添加了 log_experiment 参数。默认设置为 False。
    当设置为 True 时，所有指标和参数都会记录在 MLFlow 服务器上。

  • 在 setup() 中添加了 experiment_name 参数。默认设置为 None。
    用于记录的实验名称。当设置为 None 时，默认使用 'clf' 作为实验名称的别名。

  • 在 setup() 中添加了 log_plots 参数。默认设置为 False。
    当设置为 True 时，特定的图表将作为 png 文件记录在 MLflow 中。

  • 在 setup() 中添加了 log_profile 参数。默认设置为 False。
    当设置为 True 时，数据概要也会作为 html 文件记录在 MLflow 中。

  • 在 setup() 中添加了 log_data 参数。默认设置为 False。
    当设置为 True 时，训练集和测试集将作为 csv 文件记录。

  • 在 setup() 中添加了 verbose 参数。默认设置为 True。
    当 verbose 设置为 False 时，不会打印信息网格。

compare_models​

pycaret.classification pycaret.regression

  • 在 compare_models 中添加了 whitelist 参数。默认设置为 None。
    为了仅运行比较中的某些模型，可以将模型 ID 作为字符串列表传递给白名单参数。

  • 在 compare_models 中添加了 n_select 参数。默认设置为 1。
    返回前 n 个模型。使用负数参数进行底部选择。例如，n_select = -3 表示底部 3 个模型。

  • 在 compare_models 中添加了 verbose 参数。默认设置为 True。
    当 verbose 设置为 False 时，不会打印得分网格。

create_model​

pycaret.classification pycaret.regression pycaret.clustering pycaret.anomaly

  • 在 create_model 中添加了 cross_validation 参数。默认设置为 True。
    当 cross_validation 设置为 False 时，忽略 fold 参数，并在整个训练数据集上训练模型。不返回任何度量评估结果。仅适用于 pycaret.classification 和 pycaret.regression。

  • 在 create_model 中添加了 system 参数。默认设置为 True。
    必须始终保持为 True。只能由内部函数更改。

  • 在 create_model 中添加了 ground_truth 参数。默认设置为 None。
    当提供 ground_truth 时，将评估同质性分数、Rand 指数和完整性分数，并将其与其他度量一起打印出来。仅适用于 pycaret.clustering。

  • 在 create_model 中添加了 kwargs 参数。
    传递给估计器的其他关键字参数。

tune_model​

pycaret.classification pycaret.regression pycaret.clustering pycaret.anomaly pycaret.nlp

  • 在 tune_model 中添加了 custom_grid 参数。默认设置为 None。
    若要使用自定义超参数进行调优，请将参数名称和要迭代的值的字典传递给 custom_grid 参数。当设置为 None 时，使用预定义的调优网格。对于 pycaret.clustering pycaret.anomaly pycaret.nlp，custom_grid 参数必须是要迭代的值的列表。

  • 在 tune_model 中添加了 choose_better 参数。默认设置为 False。
    当设置为 True 时，如果 tune_model 的性能没有改善，则返回基础估计器。这确保返回的对象至少与使用 create_model 创建的基础估计器或由 compare_models 返回的模型具有相同的性能。

ensemble_model​

pycaret.classification pycaret.regression

  • 在 ensemble_model 中添加了 choose_better 参数。默认设置为 False。
    当设置为 True 时，如果通过 tune_model 无法改善性能，则返回基础估计器。这确保返回的对象至少与使用 create_model 创建的基础估计器或由 compare_models 返回的模型性能相当。\

  • 在 ensemble_model 中添加了 optimize 参数。对于 pycaret.classification 默认设置为 Accuracy，对于 pycaret.regression 默认设置为 R2。
    仅当 choose_better 设置为 True 时才使用。optimize 参数用于将集成模型与基础估计器进行比较。pycaret.classification 中 optimize 参数接受的值为 'Accuracy', 'AUC', 'Recall', 'Precision', 'F1', 'Kappa', 'MCC'，pycaret.regression 中接受的值为 'MAE', 'MSE', 'RMSE' 'R2', 'RMSLE' 和 'MAPE'。

blend_models​

pycaret.classification pycaret.regression

  • 在 blend_models 中添加了 choose_better 参数。默认设置为 False。
    当设置为 True 时，如果通过 tune_model 无法改善性能，则返回基础估计器。这确保返回的对象至少与使用 create_model 创建的基础估计器或由 compare_models 返回的模型性能相当。\

  • 在 blend_models 中添加了 optimize 参数。对于 pycaret.classification 默认设置为 Accuracy，对于 pycaret.regression 默认设置为 R2。
    仅当 choose_better 设置为 True 时才使用。optimize 参数用于将集成模型与基础估计器进行比较。pycaret.classification 中 optimize 参数接受的值为 'Accuracy', 'AUC', 'Recall', 'Precision', 'F1', 'Kappa', 'MCC'，pycaret.regression 中接受的值为 'MAE', 'MSE', 'RMSE' 'R2', 'RMSLE' 和 'MAPE'。

stack_models​

pycaret.classification pycaret.regression

  • 在 stack_models 中添加了 choose_better 参数。默认设置为 False。
    当设置为 True 时，如果通过 tune_model 无法改善性能，则返回基础估计器。这确保返回的对象至少与使用 create_model 创建的基础估计器或由 compare_models 返回的模型性能相当。\

  • 在 stack_models 中添加了 optimize 参数。对于 pycaret.classification 默认设置为 Accuracy，对于 pycaret.regression 默认设置为 R2。
    仅当 choose_better 设置为 True 时才使用。optimize 参数用于将集成模型与基础估计器进行比较。pycaret.classification 中 optimize 参数接受的值为 'Accuracy', 'AUC', 'Recall', 'Precision', 'F1', 'Kappa', 'MCC'，pycaret.regression 中接受的值为 'MAE', 'MSE', 'RMSE' 'R2', 'RMSLE' 和 'MAPE'。

create_stacknet​

pycaret.classification pycaret.regression

  • 在 create_stacknet 中添加了 choose_better 参数。默认设置为 False。
    当设置为 True 时，如果通过 tune_model 无法改善性能，则返回基础估计器。这确保返回的对象至少与使用 create_model 创建的基础估计器或由 compare_models 返回的模型性能相当。\

  • 在 create_stacknet 中添加了 optimize 参数。对于 pycaret.classification 默认设置为 Accuracy，对于 pycaret.regression 默认设置为 R2。
    仅当 choose_better 设置为 True 时才使用。optimize 参数用于将集成模型与基础估计器进行比较。pycaret.classification 中 optimize 参数接受的值为 'Accuracy', 'AUC', 'Recall', 'Precision', 'F1', 'Kappa', 'MCC'，pycaret.regression 中接受的值为 'MAE', 'MSE', 'RMSE' 'R2', 'RMSLE' 和 'MAPE'。

predict_model​

pycaret.classification pycaret.regression

  • 在 predict_model 中添加了 verbose 参数。默认设置为 True。
    当 verbose 设置为 False 时，不会打印留存数据集的分数表格。

plot_model​

pycaret.classification pycaret.regression pycaret.clustering pycaret.anomaly pycaret.nlp\

  • 在 plot_model 中添加了 save 参数。默认设置为 False。
    当设置为 True 时，图表将保存为当前工作目录中的 'png' 文件。\

  • 在 plot_model 中添加了 verbose 参数。默认设置为 True。
    当 verbose 设置为 False 时，不显示进度条。\

  • 在 plot_model 中添加了 system 参数。默认设置为 True。
    必须始终保持为 True。仅由内部函数更改。

新功能: automl​

pycaret.classification pycaret.regression

  • 此函数基于 optimize 参数中定义的指标，从当前活动环境中创建的所有模型中返回最佳模型。

参数:​

  • optimize 字符串，默认值为 'Accuracy'（pycaret.classification）和 'R2'（pycaret.regression）
    optimize 参数中可以传递的其他值为 'AUC', 'Recall', 'Precision', 'F1', 'Kappa' 和 'MCC'（pycaret.classification），'MAE', 'MSE', 'RMSE', 'R2', 'RMSLE' 和 'MAPE'（pycaret.regression）\

  • use_holdout 布尔值，默认值为 False 当设置为True时，指标将在留置集上进行评估，而不是交叉验证。

新功能：pull​

pycaret.classification pycaret.regression

  • 此函数将最后打印的分数表格返回为 pandas 数据框。

新功能：models​

pycaret.classification pycaret.regression pycaret.clustering pycaret.anomaly pycaret.nlp

  • 此函数返回模型库中可用模型的表格。

参数：​

  • type 字符串，默认值为 None
    linear：过滤并仅返回线性模型
    tree：过滤并仅返回基于树的模型
    ensemble：过滤并仅返回集成模型

type 参数仅在 pycaret.classification 和 pycaret.regression 中可用。

新功能：get_logs​

pycaret.classification pycaret.regression pycaret.clustering pycaret.anomaly pycaret.nlp

  • 此函数返回一个包含实验日志的表格，包括运行详细信息、参数、指标和标签。

参数：​

  • experiment_name 字符串，默认值为 None
    当设置为 None 时，将使用当前活动运行。\

  • save 布尔值，默认值为 False
    当设置为 True 时，在当前目录中保存 csv 文件。

新功能：get_config​

pycaret.classification pycaret.regression pycaret.clustering pycaret.anomaly pycaret.nlp

  • 此函数用于访问全局环境变量。查看文档字符串以获取可访问的全局变量列表。

新功能：set_config​

pycaret.classification pycaret.regression pycaret.clustering pycaret.anomaly pycaret.nlp

  • 此函数用于重置全局环境变量。查看文档字符串以获取可访问的全局变量列表。

新功能：get_system_logs​

pycaret.classification pycaret.regression pycaret.clustering pycaret.anomaly pycaret.nlp

  • 此函数读取并打印当前活动目录中的 'logs.log' 文件。logs.log 是从任何模块中初始化 setup 生成的。