Introduction

PyCaret est une bibliothèque de machine learning open-source et low-code qui simplifie considérablement les workflows de machine learning. Dans cette newsletter, nous allons explorer comment créer et optimiser des pipelines de modèles personalisés pour l’analyse de séries temporelles avec PyCaret.

Création d’un Pipeline Personalisé

Avec PyCaret, vous pouvez intégrer vos propres modèles et pipelines compatibles avec sktime pour réaliser l’analyse de séries temporelles. Voici comment procéder :

• Définissez votre pipeline personnalisé en utilisant des transformations et des modèles de sktime, tels que l’imputation de valeurs manquantes et la transformation de Box-Cox[3][5>.
• Utilisez la fonction `create_model` de PyCaret pour modéliser votre pipeline personnalisé, exactement comme vous le feriez avec les modèles natifs de PyCaret[1][3>.

Optimisation des Hyperparamètres

Une fois votre pipeline personnalisé créé, vous pouvez optimiser ses hyperparamètres en utilisant la fonction `tune_model` de PyCaret. Cela implique de passer un grille de recherche personnalisée pour trouver les meilleurs hyperparamètres[1>.

Exemple Pratique

Prenons l’exemple du dataset des compagnies aériennes. Vous pouvez créer un pipeline personnalisé avec une transformation de Box-Cox et un modèle ThetaForecaster, puis optimiser les hyperparamètres pour améliorer les performances du modèle. Les résultats montrent souvent une amélioration significative des scores de validation croisée et des prédictions sur les données de test[1>.

Avantages de PyCaret

PyCaret offre une grande flexibilité en permettant aux utilisateurs d’ajouter et de personnaliser leurs propres pipelines. Cela rend l’automatisation des workflows de machine learning plus efficace et facile à utiliser, même pour les tâches avancées comme la préparation des données, l’ajustement des hyperparamètres et le déploiement des modèles[4][5>.