Tabular Playground Series - Jan 2022, pycaret 필사

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
import gc
import warnings
warnings.filterwarnings('ignore')
from sklearn.model_selection import train_test_split
from sklearn.model_selection import cross_val_score

train = pd.read_csv(train_path)
test = pd.read_csv(test_path)

!pip install pycaret --user

# Unique
train.num_sold.value_counts()
'''
189     99
177     97
..
1384     1
1935     1
'''

# import regression model
from pycaret.regression import *

setup(data = train, target='num_sold',
	silent=True, ignore_features=['row_id'],
   	fold=2)

setup 객체를 호출한다. 

• model(): 각각 머신러닝 기능(Classification, Regression 등)에 따라 사용할 수 있는 머신러닝 모델들을 나열해준다.
• compare_models(): Setup 된 데이터를 각각 머신러닝 모델에 적용 후 비교한다.
• create_model(): model()에 적힌 머신러닝 모델을 선택해서 생성한다.
• tuned_model(): 데이터에 대한 머신러닝 모델의 파라미터 튜닝을 진행한다.

# Compare All models
compare_models()

# Create model
model = create_model('lightgbm')

# predict on Hold-Out data
predict_model(model)

final_model = finalize_model(model)

finalize_model은 검증 세트를 포함한 전체 데이터 세트에 대해 훈련된 모델 객체를 반환합니다.

# Which feature is important?
plot_model(final_model, 'feature')

머신러닝 모델에 대한 결과를 plot_model() 차트로 생성할 수 있습니다. 2번째 파라미터는 plot='feature'입니다. plot할 것을 적습니다. 

---

evaluate_model(final_model)

evaluate_model()로 여러 가지 차트를 한 번에 표시할 수 있습니다.

interpret_model(final_model)

훈련된 모델 객체를 받아서 해석을 진행합니다. 2번째 인자로 plot할 속성을 선택할 수 있습니다.

---

# Predict for Test Data
pred_esb = predict_model(final_model, test)
re = pred_esb(['Label'])

# submission file
sample_sub = pd.read_csv('submission_path')
sample_sub['num_sold']=re
sample_sub

# Submission to csv
sample_sub.to_csv('submission.csv', index=0)

 

 

출처:

https://velog.io/@devseunggwan/Machine-Learning-pycaret%EC%9D%84-%EC%82%AC%EC%9A%A9%ED%95%9C-%EB%8D%B0%EC%9D%B4%ED%84%B0-%EB%B6%84%EC%84%9D