简介
PyCaret是一个开源、低代码的Python机器学习库，可自动执行机器学习工作流。它是一种端到端的机器学习和模型管理工具，可以以指数方式加快实验周期并提高您的工作效率。
与其他开源机器学习库相比，PyCaret是一个替代的低代码库，可用于仅用几行代码替换数百行代码。这使得实验速度和效率呈指数级增长。
PyCaret本质上是围绕多个机器学习库和框架（例如 scikit-learn、XGBoost、LightGBM、CatBoost、spaCy、Optuna、Hyperopt、Ray 等的Python包装器。
PyCaret时间序列模块
PyCaret的新时间序列模块现已提供测试版。秉承 PyCaret 的简单性，它与现有的 API 保持一致，并带有很多功能：模型训练和选择（30多种算法）、模型分析、自动超参数调优、实验记录、云部署等。
pip install pycaret-ts-alpha
使用样例
PyCaret的时间序列模块中的工作流程非常简单。它从setup您定义预测范围，然后设置使用函数训练和评估多种算法。
加载数据
importpandasaspdfrompycaret.datasetsimportget_datadata=get_data('pycaret_downloads')data['Date']=pd.to_datetime(data['Date'])data=data.groupby('Date').sum()data=data.asfreq('D')data.head()
#plotthedatadata.plot()
初始化设置
frompycaret.time_seriesimport*setup(data,fh=7,fold=3,session_id=123)frompycaret.internal.pycaret_experimentimportTimeSeriesExperimentexp=TimeSeriesExperiment()exp.setup(data,fh=7,fold=3,session_id=123)
统计测试
check_stats()
探索性数据分析
plot_model(plot='ts')exp.plot_model(plot='ts')
#cross-validationplotplot_model(plot='cv')
#ACFplotplot_model(plot='acf')
#Diagnosticsplotplot_model(plot='diagnostics')
#Decompositionplotplot_model(plot='decomp_stl')
模型训练与选择
best=compare_models()best=pare_models()
#createfbprophetmodelprophet=create_model('prophet')print(prophet)
tuned_prophet=tune_model(prophet)print(tuned_prophet)
plot_model(best,plot='forecast')
#forecastinunknownfutureplot_model(best,plot='forecast',data_kwargs={'fh':30})
#in-sampleplotplot_model(best,plot='insample')
#residualsplotplot_model(best,plot='residuals')
测试部署
#finalizemodelfinal_best=finalize_model(best)#generatepredictionspredict_model(final_best,fh=90)
#savethemodelsave_model(final_best,'my_best_model')
参考资料
pycaret时序文档：https://pycaret.readthedocs.io/en/time_series/api/time_series.html
pycaret时序规划：/pycaret/pycaret/issues/1648
往期精彩回顾适合初学者入门人工智能的路线及资料下载(图文+视频)机器学习入门系列下载中国大学慕课《机器学习》（黄海广主讲）机器学习及深度学习笔记等资料打印《统计学习方法》的代码复现专辑AI基础下载机器学习交流qq群955171419，加入微信群请扫码：
