开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

如何保存pycaret图？

在Pycaret中保存图表有多种方法。

保存图表为图片文件：使用savefig()函数可以将图表保存为图片文件。例如，要将一个图表保存为png格式的图片，可以使用以下代码：

from pycaret.datasets import get_data
from pycaret.classification import *
data = get_data('iris')
clf = setup(data, target='species')
best_model = compare_models()
plot_model(best_model, plot='feature')
savefig('feature_importance.png')

这将把特征重要性图保存为当前工作目录下的feature_importance.png文件。

保存图表为HTML文件：使用plot_model()函数时，可以将参数show设置为False，然后调用save()方法保存图表为HTML文件。例如：

from pycaret.datasets import get_data
from pycaret.classification import *
data = get_data('iris')
clf = setup(data, target='species')
best_model = compare_models()
plot_model(best_model, plot='feature', show=False).save('feature_importance.html')

这将保存特征重要性图表为名为feature_importance.html的HTML文件。

保存图表为变量：如果不想保存图表为文件，可以将图表保存为变量，以便进一步使用或显示。例如：

from pycaret.datasets import get_data
from pycaret.classification import *
data = get_data('iris')
clf = setup(data, target='species')
best_model = compare_models()
feature_importance_plot = plot_model(best_model, plot='feature', show=False)

这将保存特征重要性图表为feature_importance_plot变量，可以使用show()方法显示图表。

Pycaret提供了多种保存图表的方法，使用户可以根据需要选择最适合的保存方式。具体的方法和示例可以在Pycaret的官方文档中找到。请注意，本回答仅给出了一种可能的解决方案，实际上还有其他方法可以保存Pycaret图表。

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

几行代码搞定ML模型，低代码机器学习Python库正式开源

想提高机器学习实验的效率，把更多精力放在解决业务问题而不是写代码上？低代码平台或许是个不错的选择。

04

大赞！分享一个数据科学利器 PyCaret，几行代码搞定从数据处理到模型部署

学习数据科学很久了，从数据探索、数据预处理、数据模型搭建和部署这些过程一直有些重复性的工作比较浪费时间，尤其当你有个新的想法想要快速尝试下效果的时候，效率很低。

03

钻石价格预测的ML全流程！从模型构建调优道部署应用！⛵

我们经常会谈到工业界端到端的机器学习建模，所谓端到端，是指的把整个过程构建在一个完整的流程（比如pipeline管道）中，包括数据侧的处理、模型建模调优，及模型部署应用等环节，如我们之前所说，完整的机器学习开发流程如下：

02

PyCaret | 几行代码搞定机器学习建模

与其他开源机器学习库相比，PyCaret 库只需几行代码即可执行复杂的机器学习任务，方便我们高效地执行迭代实验，更快地得出结论。PyCaret 有点类似于 R 里的 Caret 包，但要更为简单。

03

机器学习建模神器PyCaret已开源！提升效率，几行代码轻松搞定模型

寄语：PyCaret，是一款 Python中的开源低代码（low-code）机器学习库，支持在「低代码」环境中训练和部署有监督以及无监督的机器学习模型，提升机器学习实验的效率。

03

调包侠神器2.0发布，Python机器学习模型搭建只需要几行代码

然后，PyCaret这个炼丹炉，自带功能“按键”（定义了一些函数），包括数据预处理、模型训练、模型集成、模型分析、模型测试等。

02

pycaret之模型部署

1、预测模型一旦使用deploy_model将模型成功部署到云中，或者使用save_model在本地成功部署了模型，就可以使用predict_model函数将其用于看不见的数据进行预测。此功能采用训练有素的模型对象和数据集进行预测。它将自动应用实验过程中创建的整个转换管道。对于分类，将基于50％的概率创建预测标签，但是如果您选择使用通过optimize_threshold获得的不同阈值，则可以在predict_model中传递概率_threshold参数。此功能还可用于生成保留/测试集的预测。

02

使用 GitHub Action来托管AutoML软件

你可能会想知道，GitHub是从什么时候开始涉足自动机器学习业务的。好吧，它其实没有，但你可以像有一样的使用它。在本教程中，我们将向你展示如何构建个性化的AutoML软件，并将其托管在GitHub上，以便其他人可以免费使用或付费订阅。

02

PyCaret 可轻松搞定机器学习！

PyCaret 是由 Moez Ali 创建并于2020年4月发布的 python 开源低代码机器学习库。它只需要使用很少的代码就可以创建整个机器学习管道。

02

工业场景全流程！机器学习开发并部署服务到云端

本篇内容 ShowMeAI 将带大家学习，从头开始构建机器学习管道，使用 Flask 框架构建 Web 应用程序，并部署到云服务器上的过程。具体包括：

02

pycaret模型分析

解释复杂模型在机器学习中至关重要。模型可解释性通过分析模型真正认为的重要内容来帮助调试模型。在PyCaret中解释模型就像编写interpret_model一样简单。该函数将训练有素的模型对象和图的类型作为字符串。解释是基于SHAP（SHapley Additive exPlanations）实现的，并且仅适用于基于树的模型。该函数仅在pycaret.classification和pycaret.regression模块中可用。

01

用PyCaret创建整个机器学习管道

本教程涵盖了整个ML过程，从数据获取、预处理、模型训练、超参数拟合、预测和存储模型以备将来使用。

04

Pycaret 3.0的RC版本已经发布了，什么重大的改进呢？

Pycaret是Python中的一个开源可自动化机器学习工作流程的低代码机学习库。它是一种端到端的机器学习和模型管理工具。要了解有关Pycaret的更多信息，可以查看官方网站或GitHub。

01

工业场景全流程！机器学习开发并部署服务到云端 ⛵

本篇内容 ShowMeAI 将带大家学习，从头开始构建机器学习管道，使用 Flask 框架构建 Web 应用程序，并部署到云服务器上的过程。具体包括：

02

pycaret模型分析之绘制模型结果

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。

03

更简易的机器学习-pycaret的安装和环境初始化

pycaret提供以下6种模块，当你导入相应的模块之后，就将环境切换到了该环境下。

01

2022了你还不会『低代码』？数据科学也能玩转Low-Code啦！ ⛵

低代码开发，顾名思义，指的是软件开发过程中只需要编写少量代码就够了。与传统开发方式相比，低代码大幅减少了编写代码的工作量，这使其具备了更快的速度、更短的开发时间与更低的成本。

04

互联网公司加班时长最新排名出炉...

我们在选择一家公司时，不仅需要考虑总包收入待遇，还要关注公司的工作时长是否合理。大约一年前，职级对标网站(https://duibiao.info)增加了提交薪酬表单的工作时长功能，因为这是决定薪酬的关键因素之一。

01

PyCaret!又一个神仙ML库！

PyCaret这个开源工具，用起来可谓简单至极，少量代码就可以搭建各种端到端的模型，废话不多说，直接看实战。

03

8个可以提高数据科学工作效率、节省宝贵时间的Python库

来源：DeepHub IMBA本文约2900字，建议阅读5分钟在进行数据科学时，可能会浪费大量时间编码并等待计算机运行某些东西。所以我选择了一些 Python 库，可以帮助你节省宝贵的时间。 1、Optuna Optuna 是一个开源的超参数优化框架，它可以自动为机器学习模型找到最佳超参数。最基本的（也可能是众所周知的）替代方案是 sklearn 的 GridSearchCV，它将尝试多种超参数组合并根据交叉验证选择最佳组合。 GridSearchCV 将在先前定义的空间内尝试组合。例如，对于随机森林分类器

02

不止Tensorflow，这些Python机器学习库同样强大

Optuna 是一个开源的超参数优化框架，它可以自动为机器学习模型找到最佳超参数。

03

提高数据科学效率的 8 个Python神库！

来源丨数据STUDIO 在进行数据科学时，可能会浪费大量时间编码并等待计算机运行某些东西。所以我选择了一些 Python 库，可以帮助你节省宝贵的时间。 1、Optuna Optuna 是一个开源的超参数优化框架，它可以自动为机器学习模型找到最佳超参数。最基本的（也可能是众所周知的）替代方案是 sklearn 的 GridSearchCV，它将尝试多种超参数组合并根据交叉验证选择最佳组合。 GridSearchCV 将在先前定义的空间内尝试组合。例如，对于随机森林分类器，可能想要测试几个不同的树的最大深度

01

提高数据科学工作效率的 8 个 Python 库

Optuna 是一个开源的超参数优化框架，它可以自动为机器学习模型找到最佳超参数。

01

提高数据科学工作效率的 8 个 Python 库

Optuna 是一个开源的超参数优化框架，它可以自动为机器学习模型找到最佳超参数。

01

组件分享之后端组件——Python 中的开源、低代码机器学习库pycaret

近期正在探索前端、后端、系统端各类常用组件与工具，对其一些常见的组件进行再次整理一下，形成标准化组件专题，后续该专题将包含各类语言中的一些常用组件。欢迎大家进行持续关注。

01

了解机器学习/深度学习常用的框架、工具

scikit-learn 官方文档：https://scikit-learn.org/stable/#

00

pycaret之集成模型（集成模型、混合模型、堆叠模型）

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，MSE，RMSE，R2，RMSLE，MAPE 可以使用ensemble_model函数中的fold参数定义折叠次数。默认情况下，折叠倍数设置为10。默认情况下，所有指标均四舍五入到4位小数，可以使用round参数进行更改。有两种可用于合奏的方法，可以使用ensemble_model函数中的method参数设置。这两种方法都需要对数据进行重新采样并拟合多个估计量，因此可以使用n_estimators参数来控制估计量的数量。默认情况下，n_estimators设置为10。该函数仅在pycaret.classification和pycaret.regression模块中可用。

01

pycaret之训练模型（创建模型、比较模型、微调模型）

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：

01

PyCaret 成功解决无法从‘sklearn.model_selection._search‘导入名称“_check_param_grid”

这是因为在 sktime 依赖项中使用了来自 sklearn 的私有方法。由于 sklearn 更新为 1.1.0，这个私有方法被删除/移动，因此它正在崩溃。sktime 团队正在努力解决这个问题。同时，您可以通过强制安装 sklearn 1.0.2 来修复此问题。

04

全自动化机器学习建模！效果吊打初级炼丹师！ ⛵

自动化机器学习，也称为自动化 ML 或 AutoML，是自动化完成开发耗时且需要反复迭代的机器学习建模过程。它让数据科学家、分析师和开发人员轻松构建具有高规模、高效率和生产力的机器学习模型，同时保持模型质量。

03

python数据挖掘 pycaret.arules 关联规则学习

关联规则分析是数据挖掘中最活跃的研究方法之一，目的是在一个数据集中找出各项之间的关联关系，而这种关系并没有在数据中直接表示出来。常见于与购物篮分析。

02

2022年Python顶级自动化特征工程框架⛵

特征工程(feature engineering)指的是：利用领域知识和现有数据，创造出新的特征，用于机器学习算法。

06

2022年10个用于时间序列分析的Python库推荐

去年我们整理了一些用于处理时间序列数据的Python库，现在已经是2022年了，我们看看又有什么新的推荐

04

NLP简报（Issue#10）

Google AI和DeepMind的研究人员发布了一个有趣的多任务基准，称为XTREME[1]，旨在评估语言模型的跨语言泛化能力，学习多语言表示形式。基准测试benchmark对40种语言和9种不同的任务进行了测试，这些任务需要在语法或语义上对不同级别的含义进行推理。本文还使用最新的模型为多语言表示提供基线结果，例如mBERT，XLM和MMTE。

02

时间序列数据分析与预测之Python工具汇总

在处理时间序列项目时，数据科学家或 ML 工程师通常会使用特定的工具和库。或者他们使用一些众所周知的工具，而这些工具已被证明可以很好地适用与对应的时间序列项目。

02

生信爱好者周刊（第 26 期）：CRISPR的专利权

本杂志开源（GitHub: ShixiangWang/weekly[1]），欢迎提交 issue，投稿或推荐生信相关内容。

01

一文讲透机器学习超参数调优（附代码）

超参数是在模型训练之外设置的选项，不会在训练过程中被优化或更改。相反，需要在训练之前手动设置它们，并且对模型的性能有很大的影响。

02

PyCaret

PyCaret是Python中的低代码机器学习开发平台，能够自动完成机器学习的整个工作流。

04

收藏：Python常用库总结

01

一个基于自动机器学习的企业级实战项目

本文是一篇数据挖掘实战案例，详细探索了从台湾经济杂志收集的1999年到2009年的数据，看看在数据探索过程中，可以洞察出哪些有用的信息，判断哪一个模型能够最准确地预测公司是否破产。

01

时间序列预测的20个基本概念总结

时间序列数据是有序的。这意味着观察/数据点依赖于以前的观察/数据点。因此，在模型训练期间，数据点顺序不会被打乱。

03

音视频技术开发周刊 | 244

每周一期，纵览音视频技术领域的干货。新闻投稿：contribute@livevideostack.com。 ✦ 一周简讯 ✦ JPEG-XL华为自动驾驶车辆测试专利公布，无需人力测试自动驾驶华为技术有限公司“自动驾驶车辆的测试方法、装置及系统”专利公布。摘要显示，本申请实施例提供的系统包括软件控制模块、运动控制模块和多个运动平台。根据软件控制模块获取的测试场景信息，确定测试运动平台和目标运动平台，从而向每个确定的运动平台发送参数信息，以便执行对应操作。（Tech星球）谷歌收购 MicroLED

04

独家 | 哪个更好：一个通用模型还是多个专用模型？

作者：Samuele Mazzanti翻译：欧阳锦校对：赵茹萱本文约3900字，建议阅读10分钟本文通过实验验证了一个通用模型优于多个专用模型的有效性的结论。比较专门针对不同群体训练多个 ML 模型与为所有数据训练一个独特模型的有效性。图源作者我最近听到一家公司宣称：“我们在生产中有60个流失模型。”（注：流失模型是一种通过数学来建模流失对业务的影响。）我问他们为什么这么多。他们回答说，他们拥有 5 个品牌，在 12 个国家/地区运营，并且由于他们想为每个品牌和国家/地区的组合开发一种模型，因

03

Python基于决策树算法预测黄金价格走势

数据说明 Date-日期 Close/Last-收盘价 Volume-成交量 Open-开盘价 High-最高价 Low-最低价

01

特征选择：11 种特征选择策略总结

太多的特征会增加模型的复杂性和过拟合，而太少的特征会导致模型的拟合不足。将模型优化为足够复杂以使其性能可推广，但又足够简单易于训练、维护和解释是特征选择的主要工作。

03

特征选择：11 种特征选择策略总结

来源：DeepHub IMBA本文约4800字，建议阅读10+分钟本文与你分享可应用于特征选择的各种技术的有用指南。太多的特征会增加模型的复杂性和过拟合，而太少的特征会导致模型的拟合不足。将模型优化为足够复杂以使其性能可推广，但又足够简单易于训练、维护和解释是特征选择的主要工作。 “特征选择”意味着可以保留一些特征并放弃其他一些特征。本文的目的是概述一些特征选择策略：删除未使用的列删除具有缺失值的列不相关的特征低方差特征多重共线性特征系数 p 值方差膨胀因子 (VIF) 基于特征重要性的特征

03

特征选择：11 种特征选择策略总结！

每天给你送来NLP技术干货！ ---- 来源：DeepHub IMBA，编辑：数据派THU 本文约4800字，建议阅读10+分钟本文与你分享可应用于特征选择的各种技术的有用指南。太多的特征会增加模型的复杂性和过拟合，而太少的特征会导致模型的拟合不足。将模型优化为足够复杂以使其性能可推广，但又足够简单易于训练、维护和解释是特征选择的主要工作。 “特征选择”意味着可以保留一些特征并放弃其他一些特征。本文的目的是概述一些特征选择策略：删除未使用的列删除具有缺失值的列不相关的特征低方差特征多重共线性特

04

2020年10个不错的Python库

本文最初发表于 Tryolabs 网站，经原作者 Alan Desoins 授权，InfoQ 中文站翻译并分享。

01

一句代码！将气象数据可视化为生动的GIF动画

在气象学的世界里，数据不仅仅是冰冷的数字，它们是自然界中风、云、雨、雪的直观反映。随着技术的发展，我们不仅能够收集到更加详尽的气象数据，而且还能以更加直观的方式分享这些信息。对于气象爱好者和博主来说，能够将复杂的气象模式转换成易于理解且吸引人的视觉内容，是一种既有趣又具挑战性的技能。

01

微信小程序之分享海报生成

为了吸引更多的用户，设计好一个分享海报还是很有必要的。而小程序要生成一个海报还是有点坑的，下面分享下我们打卡小程序的一些经验。

03

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭