PyCaret 自动挑选最佳模型怎么做compare_models 4.0 完整指南【免费下载链接】pycaretOpen-source, low-code AutoML platform for Python. PyCaret 4.0: sklearn-native engine React control plane.项目地址: https://gitcode.com/gh_mirrors/py/pycaretPyCaret 是一个开源的低代码 AutoML 库加自托管 ML 平台Python 侧一次compare_models调用就能自动训练并排定十余个候选算法的名次平台侧则自带 FastAPI 控制面与 React Web 界面从上传数据集到部署出预测接口全程点点鼠标就能走完。下面按先选模型、再上生产的顺序把这两部分都讲清楚。三步从数据走到最佳模型 先说结论4.0 引擎的入口不再是 3.x 那个模块级setup()函数而是一个 sklearn 兼容的实验对象如ClassificationExperiment——数据集、预处理流水线、交叉验证配置全挂在这个对象上状态归你掌控。流程固定三步加载数据。get_data()内置了 juice、iris、boston 等样例 CSV也可以直接喂自己的 DataFrame构造实验并调用.fit(df)顺手声明目标列和随机种子exp.compare_models()训练注册表里的全部候选模型逐个跑交叉验证按指定指标给出排名表。下面这段代码完整走通一次分类任务from pycaret.datasets import get_data from pycaret.classification import ClassificationExperiment df get_data(juice) exp ClassificationExperiment(targetPurchase, session_id42).fit(df) best exp.compare_models().best preds exp.predict_model(best).predictionscompare_models()返回一个CompareResultbest是排名第一的训练好的 pipelineleaderboard是含每个模型交叉验证均值的 DataFrameranked_ids则是排名靠前的模型 ID 列表。同样的三步适用于分类、回归、聚类、异常检测、时间序列五类任务换掉 Experiment 子类即可。compare_models 真正常用的参数有哪些参数不少但你日常真正会动的只有下面 6 个完整定义见 packages/engine/pycaret/core/supervised.py参数默认值控制什么include/excludeNone候选模型白名单 / 黑名单字符串 ID 或 estimator 对象sortAccuracy分类/ R2回归按哪个指标排名n_select1返回前 N 名而不是只给一个冠军fold实验内配置交叉验证的折数turboTrue跳过rbfsvm/gpc/mlp等慢模型cross_validationTrue设为 False 则只训练不做 CV快速摸底两点值得记住。一是turbo支持向量机和贝叶斯类模型在大数据上训练很慢默认模式会先跳过它们时间充裕时设为False才能把完整模型库拉出来比。二是errorsignore的默认行为——某个模型失败只会被记录并跳过不会拖垮整轮比较改成raise才会直接抛异常。3.x 的 setup() 怎么对应到 4.0 的实验对象如果你带着 3.x 的经验来第一个坑是旧 API 已经移除3.x 在 PyPI 上冻结为pycaret 3.4.0仓库main分支是 4.0 线模块级函数式接口整体删除。最直观的对照3.x4.0from pycaret.regression import *加模块级setup(data, target...)RegressionExperiment(target...).fit(df)状态挂在对象上模块级compare_models(sortMAE)exp.compare_models(sortMAE)全局状态多个任务互相干扰多个实验对象并存sklearn 的clone/get_params直接可用这样做的收益是可测试性实验对象本身是BaseEstimator可以像普通 sklearn 组件一样插进别人的 pipeline、参与单元测试而不是一碰就牵动全局。从排行榜到预测 API平台 golden path ⚙️结论是团队场景下整套平台 5 分钟就能在笔记本上跑起来git clone https://gitcode.com/gh_mirrors/py/pycaret cd pycaret docker compose up --build首次构建约 5 分钟之后启动不到 30 秒打开http://localhost:3020进入初始化向导。官方推荐的 golden path 是一条八步链路创建管理员与工作区 → 可选地配置 LLM 密钥启用数据集诊断、实验设计两个助手→ 上传 CSV 或点选内置样例 → 新建项目 → 新建实验选好任务类型和目标列后自动训练约 12 个算法 → 在 Run 详情的排行榜中挑中意的 trialpromote 成模型注册表里的 v1 → 给部署绑定一个 endpoint slug → 用POST /api/v1/deployments/slug/predict发一行 JSON 就能拿到预测。整套训练 → 注册 → 部署 → 预测的循环约 10 分钟走完且全部点击完成不需要编辑任何 YAML。安装细节、本地开发与端口冲突排查见 docs/revamp/PLATFORM_QUICKSTART.md引擎侧用法与目录结构见 packages/engine/README.md4.0 的推进进度可跟 docs/revamp/STATUS.md。【免费下载链接】pycaretOpen-source, low-code AutoML platform for Python. PyCaret 4.0: sklearn-native engine React control plane.项目地址: https://gitcode.com/gh_mirrors/py/pycaret创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考