摘要：
分析训练完成的机器学习模型的性能是任何机器学习工作流程中必不可少的步骤。 在PyCaret中分析模型性能就像编写plot_model一样简单。 该函数将受训的模型对象和图的类型作为plot_model函数中的字符串。 分类： Name Plot Area Under the Curve ‘auc’ 阅读全文
摘要：
1、集成模型 组装训练好的模型就像编写ensemble_model一样简单。它仅采用一个强制性参数，即经过训练的模型对象。此函数返回一个表，该表具有k倍的通用评估指标的交叉验证分数以及训练有素的模型对象。使用的评估指标是：分类：准确性，AUC，召回率，精度，F1，Kappa，MCC回归：MAE，MS 阅读全文
摘要：
1、比较模型 这是我们建议在任何受监管实验的工作流程中的第一步。此功能使用默认的超参数训练模型库中的所有模型，并使用交叉验证评估性能指标。它返回经过训练的模型对象。使用的评估指标是： 分类：准确性，AUC，召回率，精度，F1，Kappa，MCC回归：MAE，MSE，RMSE，R2，RMSLE，MAP 阅读全文
摘要：
1、安装 pip install pycaret 在谷歌colab中还要运行： from pycaret.utils import enable_colab enable_colab() 2、获取数据 （1）利用pandas库加载 import pandas as pd data = pd.read 阅读全文
摘要：
以下的python操作的时间复杂度是Cpython解释器中的。其它的Python实现的可能和接下来的有稍微的不同。 一般来说,“n”是目前在容器的元素数量。 “k”是一个参数的值或参数中的元素的数量。 （1）列表：List 一般情况下，假设参数是随机生成的。 在内部，列表表示为数组。在内部，列表表示 阅读全文
