🚀 Site oficial do PyCaret (Documentação)
| # | Comando / Função | O que faz | Exemplo |
|---|---|---|---|
| 1 | pip install pycaret | Instala a biblioteca completa | pip install pycaret |
| 2 | import pycaret.classification | Importa o módulo de classificação | from pycaret.classification import * |
| 3 | import pycaret.regression | Importa o módulo de regressão | from pycaret.regression import * |
| 4 | import pycaret.clustering | Importa o módulo de agrupamento | from pycaret.clustering import * |
| 5 | import pycaret.anomaly | Importa detecção de anomalias | from pycaret.anomaly import * |
| 6 | import pycaret.nlp | Importa processamento de linguagem natural | from pycaret.nlp import * |
| 7 | import pycaret.time_series | Importa o módulo de séries temporais | from pycaret.time_series import * |
| 8 | setup() | Inicializa o experimento e pré-processa dados | setup(data=df, target='alvo') |
| 9 | session_id= | Define a semente de aleatoriedade (reprodutibilidade) | setup(data=df, target='y', session_id=123) |
| 10 | train_size= | Define a proporção do treino (default 0.7) | setup(data=df, train_size=0.8) |
| 11 | normalize=True | Ativa a normalização dos dados | setup(data=df, normalize=True) |
| 12 | transformation=True | Aplica transformação para reduzir assimetria | setup(data=df, transformation=True) |
| 13 | ignore_features= | Ignora colunas específicas no treino | setup(data=df, ignore_features=['ID']) |
| 14 | compare_models() | Treina e avalia todos os modelos disponíveis | best = compare_models() |
| 15 | create_model() | Treina um modelo específico usando Cross Validation | dt = create_model('dt') |
| 16 | tune_model() | Otimiza hiperparâmetros automaticamente | tuned_rf = tune_model(rf) |
| 17 | ensemble_model() | Cria um Ensemble (Bagging ou Boosting) | bagged_dt = ensemble_model(dt) |
| 18 | blend_models() | Cria um Voting Classifier/Regressor | blender = blend_models(estimator_list=[m1, m2]) |
| 19 | stack_models() | Cria um modelo de Stacking | stacker = stack_models(estimator_list=[m1, m2]) |
| 20 | plot_model() | Gera gráficos de performance (AUC, Confusion Matrix) | plot_model(best, plot='auc') |
| 21 | evaluate_model() | Interface interativa para todas as métricas | evaluate_model(best) |
| 22 | interpret_model() | Explicação de modelos via SHAP | interpret_model(rf) |
| 23 | check_fairness() | Avalia vieses e equidade do modelo | check_fairness(best, ['raca', 'genero']) |
| 24 | dashboard() | Gera dashboard ExplainerDashboard completo | dashboard(best) |
| 25 | predict_model() | Realiza predições em novos dados | predictions = predict_model(best, data=novos_dados) |
| 26 | finalize_model() | Treina o modelo no dataset completo (treino+teste) | final_model = finalize_model(best) |
| 27 | save_model() | Salva o pipeline completo em arquivo .pkl | save_model(best, 'meu_modelo') |
| 28 | load_model() | Carrega um modelo salvo | model = load_model('meu_modelo') |
| 29 | get_config() | Acessa variáveis de ambiente do setup | X_train = get_config('X_train') |
| 30 | pull() | Retorna o último score grid como DataFrame | results_df = pull() |
| 31 | models() | Lista todos os modelos disponíveis no módulo | models() |