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。
PyCaret安装:
# install slim version (default)
pip install pycaret
# install the full version
pip install pycaret[full]
先用PyCaret自带的'insurance'数据集作为例子，我们看下数据:
# read data from pycaret repo
from pycaret.datasets import get_data
data = get_data('insurance')
数据预处理
该步骤是使用PyCaret构建任何模型强制要做的一步：
# initialize setup
from pycaret.regression import *
s = setup(data, target = 'charges')
执行完上述代码后，不仅自动推断了各个特征的类型，还问你是否推断正确。
直接continue，会弹出setup的分析结果,如下图所示:
从上图红框中，我们惊喜的发现连训练集测试集都帮忙我们拆分好了，并行已经帮我们把训练数据shuffle好了。当然我们可以自定义拆分比例，如下所示：
setup(data = insurance, target = 'charges', train_size = 0.5)
也可以对数据进行scale:
setup(data = pokemon, target = 'Legendary', normalize = True)
会默认帮你把连续值，离散值的缺失值处理掉：
可以对数据进行分桶，只需要加上参数bin_numeric_features ：
setup(data = income, target = 'income >50K', bin_numeric_features = ['age'])
需要进行特征筛选的话，也只需要加一个参数feature_selection = True:
setup(data = diabetes, target = 'Class variable', feature_selection = True)
同样，一个参数连异常值都帮你移除了remove_outliers = True:
setup(data = insurance, target = 'charges', remove_outliers = True)
还有各种各样的预处理操作，大家可以参考官方文档。
https://pycaret.org/preprocessing/
模型训练
直接看下我们可以用哪些模型:
# check all the available models
models()
真的是应有尽有，大部分炼丹师其实只看到了最下面3个，xgb,lgb,cbt。
模型训练
那么我们就用xgb跑下吧:
# train decision tree
dt = create_model('xgboost')
然后啥都不用写，测试集上各个mertic就显示出来了:
模型融合是大家最常用的，也只需要一行代码:
# train multiple models
multiple_models = [create_model(i) for i in ['dt', 'lr', 'xgboost']]
要比较各个模型，也只需要一行代码:
# compare all models
best_model = compare_models()
模型预估：
predictions = predict_model(best_model, data = data2)
所以，大家数数看，我们一共才写了几行代码，就把模型预处理、训练、验证、融合、预估全完成了？做表格类数据模型真的是太方便了。
