PyCaret AutoML 技能指南 | PyCaret AutoML Skill Guide

本技能帮助用户使用 PyCaret 快速构建端到端的机器学习工作流。PyCaret 是一个开源的低代码机器学习库，可以将数百行代码简化为几行。

This skill helps users build end-to-end machine learning workflows using PyCaret, an open-source low-code ML library that simplifies hundreds of lines of code into just a few lines.

核心功能 | Core Capabilities

• - 自动化模型选择 - 自动比较多个模型并选择最佳模型
• 自动化超参数调优 - 使用 Optuna/Hyperopt 自动优化模型参数
• 自动化特征工程 - 自动进行数据预处理、特征转换和特征选择
• 模型集成 - 支持 Bagging、Boosting、Stacking、Blending
• 模型可解释性 - 支持 SHAP、Permutation Importance 等解释方法
• 模型部署就绪 - 生成可复现的生产级 Pipeline
• 统计推断增强 - 支持置信区间、假设检验、统计显著性分析

统计推断增强 | Statistical Enhancement (statsmodels)

当需要统计推断、假设检验、置信区间时，可以使用 statsmodels 补充 PyCaret：

线性回归模型

广义线性模型 (GLM)

假设检验

时间序列分析

统计诊断

混合效应模型 (随机效应)

PyCaret + statsmodels 组合使用

# 1. 用 PyCaret 快速建模和选择模型
from pycaret.classification import *
clf = setup(data, target='target')
best = compare_models()
tuned = tune_model(best)

# 2. 用 statsmodels 做统计推断
import statsmodels.api as sm
# 获取 PyCaret 模型的特征和预测
X_with_const = sm.add_constant(X_test)
sm_model = sm.Logit(y_test, X_with_const).fit(disp=0)
print(sm_model.summary())  # 系数显著性 P值

支持的机器学习任务 | Supported ML Tasks

快速开始 | Quick Start

1. 选择您的任务类型

根据您的机器学习任务，选择相应的模块：

• - 分类问题 → 使用 INLINECODE0
• 回归问题 → 使用 INLINECODE1
• 客户分群 → 使用 INLINECODE2
• 异常检测 → 使用 INLINECODE3
• 时间预测 → 使用 INLINECODE4
• 文本分析 → 使用 INLINECODE5
• 购物篮分析 → 使用 INLINECODE6

2. 标准 AutoML 工作流 | Standard AutoML Workflow

完整的 AutoML 工作流程包含以下步骤：

Step 1: 数据收集与加载 | Data Collection & Loading

Step 2: 数据理解与探索 | Data Understanding & EDA

Step 3: 数据预处理 | Data Preprocessing (setup 中自动完成)

Step 4: 特征工程 | Feature Engineering (setup 中自动完成)

Step 5: 模型选择 | Model Selection

Step 6: 模型训练 | Model Training

Step 7: 超参数调优 | Hyperparameter Tuning

Step 8: 模型评估 | Model Evaluation

Step 9: 模型解释 | Model Interpretation

Step 10: 模型集成 | Model Ensemble

Step 11: 最终模型训练与预测 | Final Model Training & Prediction

Step 12: 模型保存与部署 | Model Save & Deployment

# 保存模型（包含完整Pipeline）
save_model(final_model, 'my_model')

# 保存实验配置
save_experiment('my_experiment')

# 加载模型
loaded_model = load_model('my_model')

# 部署到云平台
deploy_model(
    final_model,
    platform='aws',                 # aws/gcp/azure
    authentication={
        'bucket': 'my-bucket'
    }
)

# 创建Web应用
create_app(final_model, app_path='app.py')

# 创建REST API
create_api(final_model, api_name='predict', api_file='predict.py')

# 创建Docker
create_docker('my_model', docker_path='Dockerfile')

AutoML 完整流程示例 | Complete AutoML Pipeline Example

CODEBLOCK19

通用 API 参考 | Common API Reference

详细内容请参考 utilities.md

数据加载

CODEBLOCK20

配置管理

CODEBLOCK21

模型操作

CODEBLOCK22

详细文档索引 | Detailed Documentation Index

代码模板 | Code Templates

分类任务模板

CODEBLOCK23

回归任务模板

CODEBLOCK24

时间序列模板

CODEBLOCK25

最佳实践 | Best Practices

1. 1. 数据预处理: 使用 normalize=True, remove_outliers=True 等参数
2. 模型选择: 用 compare_models(turbo=True) 快速验证
3. 超参数调优: 根据时间预算设置 INLINECODE10
4. 模型集成: 复杂任务使用 ensemble_model 或 INLINECODE12
5. 生产部署: 使用 finalize_model() 在全量数据上训练