自动机器学习pycaret 处理分类简单用法
引入分类模型库
import warnings warnings.filterwarnings('ignore') import numpy as np import pandas as pd import matplotlib.pyplot as plt plt.style.use('fivethirtyeight') from pycaret.classification import *数据集拆分
dataset = pd.read_csv(r"D:\Work\PycharmProjects\jupyter\pycaret\diabetes.csv") data = dataset.sample(frac=0.75, random_state=42) data_unseen = dataset.drop(data.index) data.reset_index(inplace=True, drop=True) data_unseen.reset_index(inplace=True, drop=True)代码的核心目的是将数据集拆分为训练集和测试集（留出集），并对索引进行重置整理
第1行：data =dataset.sample(frac=0.75, random_state=42)
这行代码从dataset中随机抽取 75% 的样本，作为训练数据（通常命名为data）。
frac=0.75：抽取 75% 的行random_state=42：设置随机种子，保证每次运行代码时抽取的结果都一样（可复现）
第2行：data_unseen = dataset.drop(data.index)
这行代码从原始dataset中删除data中已有的行，剩下的就是没有被抽中的那 25%，赋值给data_unseen。
data.index是data的索引号（即被抽中样本在原数据集中的位置）drop(data.index)删除这些索引对应的行剩下的 25% 数据就作为测试集/留出集，用于模型最终评估
第3行：data.reset_index(inplace=True, drop=True)
重置data的索引，让索引变成0, 1, 2, 3, ...的连续整数。
inplace=True：直接在原 DataFrame 上修改，不返回新对象drop=True：丢弃旧的索引列，不将其保存为新的数据列
为什么要这样做？因为data是从dataset中抽取的样本，它的索引是原数据集中的位置编号（比如5, 12, 33, ...），不是从 0 开始的连续编号。重置索引可以让后续操作（如遍历、拼接）更方便。
第4行：data_unseen.reset_index(inplace=True, drop=True)
对data_unseen做同样的索引重置操作，原因同上。
env_setup = setup(data=data, target='Class variable', session_id=42)setup()是 PyCaret 的"启动器"——它接收你的数据，配置预处理管道，划分训练/测试集，建立交叉验证策略，为后续的所有建模工作做好准备。
后台操作
flowchart TD A[开始: setup()] --> B[接收 data 和 target] B --> C[自动检测特征类型<br>数值/类别/日期/文本] C --> D[分离特征 X 和目标 y] D --> E[划分训练集和测试集<br>默认 70%/30%] E --> F[配置 10 折交叉验证<br>StratifiedKFold] F --> G[建立预处理管道<br>缺失值填充/编码/标准化等] G --> H[存储所有配置到环境中] H --> I[返回配置信息汇总表] I --> J[准备好接收模型训练命令]返回值分析
Description Value 0 Session id 42 1 Target Class variable 2 Target type Binary 3 Original data shape (576, 9) 4 Transformed data shape (576, 9) 5 Transformed train set shape (403, 9) 6 Transformed test set shape (173, 9) 7 Numeric features 8 8 Preprocess True 9 Imputation type simple 10 Numeric imputation mean 11 Categorical imputation mode 12 Fold Generator StratifiedKFold 13 Fold Number 10 14 CPU Jobs -1 15 Use GPU False 16 Log Experiment False 17 Experiment Name clf-default-name 18 USI a95b📊 整体概览
| 序号 | 描述 | 值 | 含义 |
|---|---|---|---|
| 0 | Session id | 42 | 会话ID，你设置的session_id=42作为随机种子，确保结果可复现 |
| 1 | Target | Class variable | 目标变量（标签列），你要预测的字段名 |
| 2 | Target type | Binary | 目标变量是二分类问题（比如 0/1，是/否） |
| 3 | Original data shape | (576, 9) | 原始数据：576行 × 9列（8个特征 + 1个目标变量） |
| 4 | Transformed data shape | (576, 9) | 经过预处理后的数据形状不变（因为目前没有做变换） |
| 5 | Transformed train set shape | (403, 9) | 训练集：403行（占 576 的 70%） |
| 6 | Transformed test set shape | (173, 9) | 测试集：173行（占 576 的 30%） |
| 7 | Numeric features | 8 | 数值型特征有 8 个（目标变量不算在内） |
⚙️ 预处理配置
| 序号 | 描述 | 值 | 含义 |
|---|---|---|---|
| 8 | Preprocess | True | 启用了自动预处理（PyCaret 默认帮你做缺失值填充、编码等） |
| 9 | Imputation type | simple | 缺失值填充方式为"简单填充" |
| 10 | Numeric imputation | mean | 数值型特征的缺失值用均值填充 |
| 11 | Categorical imputation | mode | 类别型特征的缺失值用众数填充 |
🔄 交叉验证配置
| 序号 | 描述 | 值 | 含义 |
|---|---|---|---|
| 12 | Fold Generator | StratifiedKFold | 使用分层K折交叉验证（保持类别比例） |
| 13 | Fold Number | 10 | 10折交叉验证 |
| 14 | CPU Jobs | -1 | 使用所有可用的 CPU 核心（-1 表示全部） |
| 15 | Use GPU | False | 未使用 GPU 加速 |
📝 实验记录
| 序号 | 描述 | 值 | 含义 |
|---|---|---|---|
| 16 | Log Experiment | False | 不自动记录实验日志 |
| 17 | Experiment Name | clf-default-name | 实验默认名称（clf = classification） |
| 18 | USI | a95b | 唯一的会话标识符（Unique Session ID），用于追踪此次实验 |
🔍 关键发现
数据拆分比例：你之前用
sample(frac=0.75)抽取了 75%（576行）作为训练集，但 PyCaret 的setup()又自动按70%/30%拆分了训练集内部的数据：训练集：403 行（576 × 70%）
验证集/测试集：173 行（576 × 30%）
也就是说，
data本身就是你从原始数据中取的 75%，现在 PyCaret 又把它拆成了 70%/30%，用于训练过程中的验证。你的数据应该是二分类问题：目标变量
Class variable只有两个取值。预处理已自动启用：
Preprocess=True意味着 PyCaret 会自动处理缺失值、编码类别变量等。best_model = compare_models()这行代码
best_model = compare_models()是 PyCaret 中最核心、最强大的功能之一。它的作用是自动训练和评估多个机器学习模型，并返回性能最好的那一个best_models = compare_models( include=['rf', 'dt', 'xgboost', 'lightgbm'], turbo=False, sort='AUC', n_select=3 )
tuned_model = tune_model(best_model, search_library="scikit-learn", search_algorithm="random")tune_model()通过随机搜索算法，在指定的参数空间中寻找使模型表现最好的超参数组合，并返回调优后的模型。
📊 参数详解
1️⃣best_model
含义：要调优的模型对象
说明：这是你之前通过
compare_models()获得的最佳模型（在你的例子中是 Ridge Classifier）注意：这里传入的是模型对象，不是模型名称字符串
2️⃣search_library="scikit-learn"
含义：指定使用哪个库的搜索算法
参数值：
"scikit-learn"(默认)：使用 sklearn 的RandomizedSearchCV或GridSearchCV"optuna"：使用 Optuna 库（更高效的贝叶斯优化），需先pip install optuna"scikit-optimize"：使用 skopt 库，需先pip install scikit-optimize
你的情况：使用 scikit-learn 的随机搜索
3️⃣search_algorithm="random"
含义：指定搜索策略/算法
参数值（当
search_library="scikit-learn"时）："random"：随机搜索（RandomizedSearchCV），在参数空间中随机采样组合"grid"：网格搜索（GridSearchCV），穷举所有参数组合（更精确但更慢）
后台操作
flowchart TD A[开始: tune_model] --> B[读取 best_model 的参数空间] B --> C[定义要搜索的超参数范围] C --> D[使用 scikit-learn 的 RandomizedSearchCV] D --> E[在训练集上执行 10 折交叉验证] E --> F[随机采样 N 组参数组合<br>默认 10 组] F --> G[对每组参数计算交叉验证平均得分] G --> H[找到得分最高的参数组合] H --> I[用最佳参数重新训练模型] I --> J[返回调优后的模型对象] J --> K[打印调优结果汇总]具体步骤：
确定搜索空间：PyCaret 为每个模型预定义了要调优的超参数范围
例如 Ridge Classifier 会调优：
alpha、solver、tol等
随机采样：在参数空间中随机抽取 10 组（默认
n_iter=10）参数组合交叉验证评估：对每组参数，在训练集上执行 10 折交叉验证
选择最佳：找到使验证得分最高的参数组合
重新训练：用找到的最佳参数在整个训练集上重新训练模型
返回调优模型：返回调优后的模型对象
更多参数示例
# 增加随机搜索的迭代次数（更充分但更慢） tuned_model = tune_model( best_model, search_library="scikit-learn", search_algorithm="random", n_iter=30, # 随机采样 30 组，默认 10 optimize='AUC', # 按 AUC 优化，默认 Accuracy fold=5, # 使用 5 折交叉验证，默认 10 choose_better=True # 自动比较调优前后，保留更好的 )best_auc_model = automl(optimize="AUC")automl()函数自动运行模型选择、超参数调优、特征工程等过程，返回在指定优化指标（这里是 AUC）上表现最优的最终模型。
unseen_predictions = predict_model(tuned_model, data=data_unseen)使用调优后的模型（tuned_model）对留出集（data_unseen）进行预测，返回包含原始数据和预测结果的 DataFrame。
save_model(tuned_model, "Final_Model") load_saved_model = load_model("Final_Model")保存模型和加载模型