[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-pycaret--pycaret":3,"tool-pycaret--pycaret":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",158594,2,"2026-04-16T23:34:05",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",108322,"2026-04-10T11:39:34",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":64,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":75,"owner_location":75,"owner_email":75,"owner_twitter":75,"owner_website":76,"owner_url":77,"languages":78,"stars":91,"forks":92,"last_commit_at":93,"license":94,"difficulty_score":95,"env_os":96,"env_gpu":97,"env_ram":98,"env_deps":99,"category_tags":110,"github_topics":112,"view_count":32,"oss_zip_url":75,"oss_zip_packed_at":75,"status":17,"created_at":124,"updated_at":125,"faqs":126,"releases":157},8357,"pycaret\u002Fpycaret","pycaret","An open-source, low-code machine learning library in Python","PyCaret 是一款基于 Python 的开源低代码机器学习库，旨在自动化端到端的机器学习工作流。它本质上是一个强大的封装器，整合了 scikit-learn、XGBoost、LightGBM、CatBoost 以及 Optuna 等主流算法与调优框架，让用户仅需编写几行代码，即可替代传统方式下数百行的复杂程序，从而大幅缩短实验周期并提升开发效率。\n\n在传统机器学习中，数据预处理、模型选择、超参数调优及结果评估往往需要深厚的技术积累和繁琐的代码实现。PyCaret 通过高度自动化的流程解决了这一痛点，将复杂的工程细节隐藏在简洁的 API 背后，使用户能专注于业务逻辑与数据分析本身。\n\n这款工具特别适合“公民数据科学家”、数据分析师、初级开发者以及希望快速验证想法的研究人员使用。即使不具备深厚的编程背景，用户也能轻松完成从数据加载到模型部署的全过程。同时，对于资深工程师而言，PyCaret 也是快速构建基准模型、进行高效原型设计的得力助手。其设计灵感源自 R 语言的 caret 库，兼顾了易用性与功能性，支持 Python 3.9 至 3.12 等多个版本，是连接业务需求与人工智能技术","PyCaret 是一款基于 Python 的开源低代码机器学习库，旨在自动化端到端的机器学习工作流。它本质上是一个强大的封装器，整合了 scikit-learn、XGBoost、LightGBM、CatBoost 以及 Optuna 等主流算法与调优框架，让用户仅需编写几行代码，即可替代传统方式下数百行的复杂程序，从而大幅缩短实验周期并提升开发效率。\n\n在传统机器学习中，数据预处理、模型选择、超参数调优及结果评估往往需要深厚的技术积累和繁琐的代码实现。PyCaret 通过高度自动化的流程解决了这一痛点，将复杂的工程细节隐藏在简洁的 API 背后，使用户能专注于业务逻辑与数据分析本身。\n\n这款工具特别适合“公民数据科学家”、数据分析师、初级开发者以及希望快速验证想法的研究人员使用。即使不具备深厚的编程背景，用户也能轻松完成从数据加载到模型部署的全过程。同时，对于资深工程师而言，PyCaret 也是快速构建基准模型、进行高效原型设计的得力助手。其设计灵感源自 R 语言的 caret 库，兼顾了易用性与功能性，支持 Python 3.9 至 3.12 等多个版本，是连接业务需求与人工智能技术的友好桥梁。","\u003Cdiv align=\"center\">\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpycaret_pycaret_readme_ba783999acac.png\" alt=\"drawing\" width=\"200\"\u002F>\n\n## **An open-source, low-code machine learning library in Python**\n## 🎉🎉🎉 **PyCaret 3.4 is now available. 🎉🎉🎉**\n## `pip install --upgrade pycaret` \u003C\u002Fbr>\n\n\u003Cp align=\"center\">\n\u003Ch3>\n  \u003Ca href=\"https:\u002F\u002Fpycaret.gitbook.io\u002F\">Docs\u003C\u002Fa> •\n  \u003Ca href=\"https:\u002F\u002Fpycaret.gitbook.io\u002Fdocs\u002Fget-started\u002Ftutorials\">Tutorials\u003C\u002Fa> •\n  \u003Ca href=\"https:\u002F\u002Fpycaret.gitbook.io\u002Fdocs\u002Flearn-pycaret\u002Fofficial-blog\">Blog\u003C\u002Fa> •\n  \u003Ca href=\"https:\u002F\u002Fwww.linkedin.com\u002Fcompany\u002Fpycaret\u002F\">LinkedIn\u003C\u002Fa> •\n  \u003Ca href=\"https:\u002F\u002Fwww.youtube.com\u002Fchannel\u002FUCxA1YTYJ9BEeo50lxyI_B3g\">YouTube\u003C\u002Fa> •\n    \u003Ca href=\"https:\u002F\u002Fjoin.slack.com\u002Ft\u002Fpycaret\u002Fshared_invite\u002Fzt-row9phbm-BoJdEVPYnGf7_NxNBP307w\">Slack\u003C\u002Fa>\n\u003C\u002Fh3>\n\u003C\u002Fp>\n\n| Overview | |\n|---|---|\n| **CI\u002FCD** | ![pytest on push](https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fworkflows\u002Fpytest%20on%20push\u002Fbadge.svg) [![Documentation Status](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpycaret_pycaret_readme_13d664e1afd7.png)](http:\u002F\u002Fpip.pypa.io\u002Fen\u002Fstable\u002F?badge=stable) |\n| **Code** |  [![!pypi](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fv\u002Fpycaret?color=orange)](https:\u002F\u002Fpypi.org\u002Fproject\u002Fpycaret\u002F) [![!python-versions](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FPython-3.9%20%7C%203.10%20%7C%203.11%20%7C%203.12-blue)](https:\u002F\u002Fbadge.fury.io\u002Fpy\u002Fpycaret) [![!black](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fcode%20style-black-000000.svg)](https:\u002F\u002Fgithub.com\u002Fpsf\u002Fblack)\n| **Downloads**| [![Downloads](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpycaret_pycaret_readme_e06c4f2a9d3e.png))](https:\u002F\u002Fpepy.tech\u002Fproject\u002Fpycaret) [![Downloads](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpycaret_pycaret_readme_db328d97262e.png))](https:\u002F\u002Fpepy.tech\u002Fproject\u002Fpycaret) [![Downloads](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpycaret_pycaret_readme_43f39990d54d.png))](https:\u002F\u002Fpepy.tech\u002Fproject\u002Fpycaret) |\n| **License** | [![License](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fl\u002Fansicolortags.svg)](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fl\u002Fansicolortags.svg)\n| **Community** | [![Slack](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fslack-chat-green.svg?logo=slack)](https:\u002F\u002Fjoin.slack.com\u002Ft\u002Fpycaret\u002Fshared_invite\u002Fzt-20gl4zb8k-L~ZQDyi9LtrV4dWxYpLE7A) |\n\n\n\n![alt text](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpycaret_pycaret_readme_f87735a281bd.gif)\n\n\u003Cdiv align=\"left\">\n\n# Welcome to PyCaret\nPyCaret is an open-source, low-code machine learning library in Python that automates machine learning workflows. It is an end-to-end machine learning and model management tool that speeds up the experiment cycle exponentially and makes you more productive.\n\nIn comparison with the other open-source machine learning libraries, PyCaret is an alternate low-code library that can be used to replace hundreds of lines of code with few lines only. This makes experiments exponentially fast and efficient. PyCaret is essentially a Python wrapper around several machine learning libraries and frameworks such as scikit-learn, XGBoost, LightGBM, CatBoost, Optuna, Hyperopt, Ray, and few more.\n\nThe design and simplicity of PyCaret are inspired by the emerging role of citizen data scientists, a term first used by Gartner. Citizen Data Scientists are power users who can perform both simple and moderately sophisticated analytical tasks that would previously have required more technical expertise. PyCaret was inspired by the caret library in R programming language.\n\n# 🚀 Installation\n\n## 🌐 Option 1: Install via PyPi\nPyCaret is tested and supported on 64-bit systems with:\n- Python 3.9, 3.10, 3.11 and 3.12\n- Ubuntu 16.04 or later\n- Windows 7 or later\n\nYou can install PyCaret with Python's pip package manager:\n\n```python\n# install pycaret\npip install pycaret\n```\n\nPyCaret's default installation will not install all the optional dependencies automatically. Depending on the use case, you may be interested in one or more extras:\n\n```python\n# install analysis extras\npip install pycaret[analysis]\n\n# models extras\npip install pycaret[models]\n\n# install tuner extras\npip install pycaret[tuner]\n\n# install mlops extras\npip install pycaret[mlops]\n\n# install parallel extras\npip install pycaret[parallel]\n\n# install test extras\npip install pycaret[test]\n\n# install dev extras\npip install pycaret[dev]\n\n##\n\n# install multiple extras together\npip install pycaret[analysis,models]\n```\n\nCheck out all [optional dependencies](https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fblob\u002Fmaster\u002Frequirements-optional.txt). If you want to install everything including all the optional dependencies:\n\n```python\n# install full version\npip install pycaret[full]\n```\n## 📄 Option 2: Build from Source\nInstall the development version of the library directly from the source. The API may be unstable. It is not recommended for production use.\n\n```python\npip install git+https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret.git@master --upgrade\n```\n\n## 📦 Option 3: Docker\nDocker creates virtual environments with containers that keep a PyCaret installation separate from the rest of the system. PyCaret docker comes pre-installed with a Jupyter notebook. It can share resources with its host machine (access directories, use the GPU, connect to the Internet, etc.). The PyCaret Docker images are always tested for the latest major releases.\n\n```python\n# default version\ndocker run -p 8888:8888 pycaret\u002Fslim\n\n# full version\ndocker run -p 8888:8888 pycaret\u002Ffull\n```\n\n## 🏃‍♂️ Quickstart\n\n### 1. Functional API\n```python\n# Classification Functional API Example\n\n# loading sample dataset\nfrom pycaret.datasets import get_data\ndata = get_data('juice')\n\n# init setup\nfrom pycaret.classification import *\ns = setup(data, target = 'Purchase', session_id = 123)\n\n# model training and selection\nbest = compare_models()\n\n# evaluate trained model\nevaluate_model(best)\n\n# predict on hold-out\u002Ftest set\npred_holdout = predict_model(best)\n\n# predict on new data\nnew_data = data.copy().drop('Purchase', axis = 1)\npredictions = predict_model(best, data = new_data)\n\n# save model\nsave_model(best, 'best_pipeline')\n```\n\n### 2. OOP API\n\n```python\n# Classification OOP API Example\n\n# loading sample dataset\nfrom pycaret.datasets import get_data\ndata = get_data('juice')\n\n# init setup\nfrom pycaret.classification import ClassificationExperiment\ns = ClassificationExperiment()\ns.setup(data, target = 'Purchase', session_id = 123)\n\n# model training and selection\nbest = s.compare_models()\n\n# evaluate trained model\ns.evaluate_model(best)\n\n# predict on hold-out\u002Ftest set\npred_holdout = s.predict_model(best)\n\n# predict on new data\nnew_data = data.copy().drop('Purchase', axis = 1)\npredictions = s.predict_model(best, data = new_data)\n\n# save model\ns.save_model(best, 'best_pipeline')\n```\n\n\n## 📁 Modules\n\u003Cdiv align=\"center\">\n\n## **Classification**\n\n  Functional API           |  OOP API\n:-------------------------:|:-------------------------:\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpycaret_pycaret_readme_1d941d9e3077.png)  | ![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpycaret_pycaret_readme_433c98c08cb6.png)\n\n## **Regression**\n\n  Functional API           |  OOP API\n:-------------------------:|:-------------------------:\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpycaret_pycaret_readme_df77359b2548.png)  | ![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpycaret_pycaret_readme_9d6a189c190a.png)\n\n## **Time Series**\n\n  Functional API           |  OOP API\n:-------------------------:|:-------------------------:\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpycaret_pycaret_readme_d8c6476d06dd.png)  | ![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpycaret_pycaret_readme_e5e84b676796.png)\n\n## **Clustering**\n\n  Functional API           |  OOP API\n:-------------------------:|:-------------------------:\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpycaret_pycaret_readme_2f0faa3027c0.png)  | ![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpycaret_pycaret_readme_946b7db428e3.png)\n\n## **Anomaly Detection**\n\n  Functional API           |  OOP API\n:-------------------------:|:-------------------------:\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpycaret_pycaret_readme_9b466a09a656.png)  | ![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpycaret_pycaret_readme_a5cebedc4315.png)\n\n\u003Cdiv align=\"left\">\n\n# 👥 Who should use PyCaret?\nPyCaret is an open source library that anybody can use. In our view the ideal target audience of PyCaret is: \u003Cbr \u002F>\n\n- Experienced Data Scientists who want to increase productivity.\n- Citizen Data Scientists who prefer a low code machine learning solution.\n- Data Science Professionals who want to build rapid prototypes.\n- Data Science and Machine Learning students and enthusiasts.\n\n# 🎮 Training on GPUs\nTo train models on the GPU, simply pass use_gpu = True in the setup function. There is no change in the use of the API; however, in some cases, additional libraries have to be installed. The following models can be trained on GPUs:\n\n- Extreme Gradient Boosting\n- CatBoost\n- Light Gradient Boosting Machine requires [GPU installation](https:\u002F\u002Flightgbm.readthedocs.io\u002Fen\u002Flatest\u002FGPU-Tutorial.html)\n- Logistic Regression, Ridge Classifier, Random Forest, K Neighbors Classifier, K Neighbors Regressor, Support Vector Machine, Linear Regression, Ridge Regression, Lasso Regression requires [cuML >= 0.15](https:\u002F\u002Fgithub.com\u002Frapidsai\u002Fcuml)\n\n# 🖥️ PyCaret Intel sklearnex support\nYou can apply [Intel optimizations](https:\u002F\u002Fgithub.com\u002Fintel\u002Fscikit-learn-intelex) for machine learning algorithms and speed up your workflow. To train models with Intel optimizations use `sklearnex` engine. There is no change in the use of the API, however, installation of Intel sklearnex is required:\n\n```python\npip install scikit-learn-intelex\n```\n\n# 🤝 Contributors\n\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fgraphs\u002Fcontributors\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpycaret_pycaret_readme_db3490c00f7b.png\" width=600\u002F>\n\u003C\u002Fa>\n\n# 📝 License\nPyCaret is completely free and open-source and licensed under the [MIT](https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fblob\u002Fmaster\u002FLICENSE) license.\n\n# ℹ️ More Information\n\n| Important Links              |            Description                                       |\n| -------------------------- | -------------------------------------------------------------- |\n| :star: **[Tutorials]**        | Tutorials developed and maintained by core developers       |\n| :clipboard: **[Example Notebooks]** | Example notebooks created by community               |\n| :orange_book: **[Blog]** | Official blog by creator of PyCaret                      |\n| :books: **[Documentation]**      | API docs                              |\n| :tv: **[Videos]**            | Video resources             |\n| ✈️ **[Cheat sheet]**            | Community Cheat sheet            |\n| :loudspeaker: **[Discussions]**        | Community Discussion board on GitHub|\n| :hammer_and_wrench: **[Release Notes]**          | Release Notes          |\n\n[tutorials]: https:\u002F\u002Fpycaret.gitbook.io\u002Fdocs\u002Fget-started\u002Ftutorials\n[Example notebooks]: https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fexamples\n[Blog]: https:\u002F\u002Fpycaret.gitbook.io\u002Fdocs\u002Flearn-pycaret\u002Fofficial-blog\n[Documentation]: https:\u002F\u002Fpycaret.gitbook.io\u002Fdocs\u002F\n[Videos]: https:\u002F\u002Fpycaret.gitbook.io\u002Fdocs\u002Flearn-pycaret\u002Fvideos\n[Cheat sheet]: https:\u002F\u002Fpycaret.gitbook.io\u002Fdocs\u002Flearn-pycaret\u002Fcheat-sheet\n[Discussions]: https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fdiscussions\n[Release Notes]: https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Freleases\n","\u003Cdiv align=\"center\">\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpycaret_pycaret_readme_ba783999acac.png\" alt=\"drawing\" width=\"200\"\u002F>\n\n## **一个开源的 Python 低代码机器学习库**\n## 🎉🎉🎉 **PyCaret 3.4 现已发布。** 🎉🎉🎉\n## `pip install --upgrade pycaret` \u003C\u002Fbr>\n\n\u003Cp align=\"center\">\n\u003Ch3>\n  \u003Ca href=\"https:\u002F\u002Fpycaret.gitbook.io\u002F\">文档\u003C\u002Fa> •\n  \u003Ca href=\"https:\u002F\u002Fpycaret.gitbook.io\u002Fdocs\u002Fget-started\u002Ftutorials\">教程\u003C\u002Fa> •\n  \u003Ca href=\"https:\u002F\u002Fpycaret.gitbook.io\u002Fdocs\u002Flearn-pycaret\u002Fofficial-blog\">博客\u003C\u002Fa> •\n  \u003Ca href=\"https:\u002F\u002Fwww.linkedin.com\u002Fcompany\u002Fpycaret\u002F\">LinkedIn\u003C\u002Fa> •\n  \u003Ca href=\"https:\u002F\u002Fwww.youtube.com\u002Fchannel\u002FUCxA1YTYJ9BEeo50lxyI_B3g\">YouTube\u003C\u002Fa> •\n    \u003Ca href=\"https:\u002F\u002Fjoin.slack.com\u002Ft\u002Fpycaret\u002Fshared_invite\u002Fzt-row9phbm-BoJdEVPYnGf7_NxNBP307w\">Slack\u003C\u002Fa>\n\u003C\u002Fh3>\n\u003C\u002Fp>\n\n| 概述 | |\n|---|---|\n| **CI\u002FCD** | ![pytest on push](https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fworkflows\u002Fpytest%20on%20push\u002Fbadge.svg) [![Documentation Status](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpycaret_pycaret_readme_13d664e1afd7.png)](http:\u002F\u002Fpip.pypa.io\u002Fen\u002Fstable\u002F?badge=stable) |\n| **代码** |  [![!pypi](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fv\u002Fpycaret?color=orange)](https:\u002F\u002Fpypi.org\u002Fproject\u002Fpycaret\u002F) [![!python-versions](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FPython-3.9%20%7C%203.10%20%7C%203.11%20%7C%203.12-blue)](https:\u002F\u002Fbadge.fury.io\u002Fpy\u002Fpycaret) [![!black](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fcode%20style-black-000000.svg)](https:\u002F\u002Fgithub.com\u002Fpsf\u002Fblack)\n| **下载量**| [![Downloads](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpycaret_pycaret_readme_e06c4f2a9d3e.png))](https:\u002F\u002Fpepy.tech\u002Fproject\u002Fpycaret) [![Downloads](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpycaret_pycaret_readme_db328d97262e.png))](https:\u002F\u002Fpepy.tech\u002Fproject\u002Fpycaret) [![Downloads](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpycaret_pycaret_readme_43f39990d54d.png))](https:\u002F\u002Fpepy.tech\u002Fproject\u002Fpycaret) |\n| **许可证** | [![License](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fl\u002Fansicolortags.svg)](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fl\u002Fansicolortags.svg)\n| **社区** | [![Slack](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fslack-chat-green.svg?logo=slack)](https:\u002F\u002Fjoin.slack.com\u002Ft\u002Fpycaret\u002Fshared_invite\u002Fzt-20gl4zb8k-L~ZQDyi9LtrV4dWxYpLE7A) |\n\n\n\n![alt text](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpycaret_pycaret_readme_f87735a281bd.gif)\n\n\u003Cdiv align=\"left\">\n\n# 欢迎来到 PyCaret\nPyCaret 是一个开源的 Python 低代码机器学习库，用于自动化机器学习工作流。它是一个端到端的机器学习和模型管理工具，能够极大地加速实验周期并提高工作效率。\n\n与其它开源机器学习库相比，PyCaret 是一种替代性的低代码库，可以用几行代码取代数百行代码，从而使实验速度和效率大幅提升。PyCaret 实际上是 scikit-learn、XGBoost、LightGBM、CatBoost、Optuna、Hyperopt、Ray 等多个机器学习库和框架的 Python 封装。\n\nPyCaret 的设计和简洁性受到“公民数据科学家”这一新兴角色的启发，该术语最早由 Gartner 提出。“公民数据科学家”是指那些能够执行简单及中等复杂度分析任务的高级用户，而这些任务过去通常需要更高的技术专业知识。PyCaret 的灵感来源于 R 语言中的 caret 库。\n\n# 🚀 安装\n\n## 🌐 选项 1：通过 PyPI 安装\nPyCaret 已在以下 64 位系统上经过测试和支持：\n- Python 3.9、3.10、3.11 和 3.12\n- Ubuntu 16.04 或更高版本\n- Windows 7 或更高版本\n\n您可以通过 Python 的 pip 包管理器安装 PyCaret：\n\n```python\n# 安装 pycaret\npip install pycaret\n```\n\nPyCaret 的默认安装不会自动安装所有可选依赖项。根据具体使用场景，您可能需要安装一个或多个额外组件：\n\n```python\n# 安装分析相关依赖\npip install pycaret[analysis]\n\n# 模型相关依赖\npip install pycaret[models]\n\n# 调参相关依赖\npip install pycaret[tuner]\n\n# MLOps 相关依赖\npip install pycaret[mlops]\n\n# 并行计算相关依赖\npip install pycaret[parallel]\n\n# 测试相关依赖\npip install pycaret[test]\n\n# 开发相关依赖\npip install pycaret[dev]\n\n##\n\n# 同时安装多个额外组件\npip install pycaret[analysis,models]\n```\n\n请查看所有 [可选依赖项](https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fblob\u002Fmaster\u002Frequirements-optional.txt)。如果您希望安装包含所有可选依赖项的完整版本：\n\n```python\n# 安装完整版\npip install pycaret[full]\n```\n\n## 📄 选项 2：从源码构建\n您可以直接从源码安装开发版本的库。此版本的 API 可能不稳定，不建议用于生产环境。\n\n```python\npip install git+https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret.git@master --upgrade\n```\n\n## 📦 选项 3：使用 Docker\nDocker 通过容器创建虚拟环境，使 PyCaret 的安装与系统其他部分隔离。PyCaret Docker 镜像预装了 Jupyter Notebook，并且可以与宿主机共享资源（访问目录、使用 GPU、连接互联网等）。PyCaret Docker 镜像始终针对最新的主要版本进行测试。\n\n```python\n# 默认版本\ndocker run -p 8888:8888 pycaret\u002Fslim\n\n# 全功能版本\ndocker run -p 8888:8888 pycaret\u002Ffull\n```\n\n## 🏃‍♂️ 快速入门\n\n### 1. 函数式 API\n```python\n# 分类问题函数式 API 示例\n\n# 加载示例数据集\nfrom pycaret.datasets import get_data\ndata = get_data('juice')\n\n# 初始化设置\nfrom pycaret.classification import *\ns = setup(data, target = 'Purchase', session_id = 123)\n\n# 模型训练与选择\nbest = compare_models()\n\n# 评估训练好的模型\nevaluate_model(best)\n\n# 在保留集\u002F测试集上进行预测\npred_holdout = predict_model(best)\n\n# 对新数据进行预测\nnew_data = data.copy().drop('Purchase', axis = 1)\npredictions = predict_model(best, data = new_data)\n\n# 保存模型\nsave_model(best, 'best_pipeline')\n```\n\n### 2. 面向对象 API\n\n```python\n# 分类问题面向对象 API 示例\n\n# 加载示例数据集\nfrom pycaret.datasets import get_data\ndata = get_data('juice')\n\n# 初始化设置\nfrom pycaret.classification import ClassificationExperiment\ns = ClassificationExperiment()\ns.setup(data, target = 'Purchase', session_id = 123)\n\n# 模型训练与选择\nbest = s.compare_models()\n\n# 评估训练好的模型\ns.evaluate_model(best)\n\n# 在保留集\u002F测试集上进行预测\npred_holdout = s.predict_model(best)\n\n# 对新数据进行预测\nnew_data = data.copy().drop('Purchase', axis = 1)\npredictions = s.predict_model(best, data = new_data)\n\n# 保存模型\ns.save_model(best, 'best_pipeline')\n```\n\n\n## 📁 模块\n\u003Cdiv align=\"center\">\n\n## **分类**\n\n  函数式 API           |  面向对象 API\n:-------------------------:|:-------------------------:\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpycaret_pycaret_readme_1d941d9e3077.png)  | ![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpycaret_pycaret_readme_433c98c08cb6.png)\n\n## **回归**\n\n  函数式 API           |  面向对象 API\n:-------------------------:|:-------------------------:\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpycaret_pycaret_readme_df77359b2548.png)  | ![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpycaret_pycaret_readme_9d6a189c190a.png)\n\n## **时间序列**\n\n  函数式 API           |  面向对象 API\n:-------------------------:|:-------------------------:\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpycaret_pycaret_readme_d8c6476d06dd.png)  | ![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpycaret_pycaret_readme_e5e84b676796.png)\n\n## **聚类**\n\n  函数式 API           |  面向对象 API\n:-------------------------:|:-------------------------:\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpycaret_pycaret_readme_2f0faa3027c0.png)  | ![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpycaret_pycaret_readme_946b7db428e3.png)\n\n## **异常检测**\n\n  函数式 API           |  面向对象 API\n:-------------------------:|:-------------------------:\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpycaret_pycaret_readme_9b466a09a656.png)  | ![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpycaret_pycaret_readme_a5cebedc4315.png)\n\n\u003Cdiv align=\"left\">\n\n# 👥 谁应该使用 PyCaret？\nPyCaret 是一个开源库，任何人都可以使用。在我们看来，PyCaret 的理想目标用户群体是： \u003Cbr \u002F>\n\n- 希望提高工作效率的资深数据科学家。\n- 偏好低代码机器学习解决方案的平民数据科学家。\n- 希望快速构建原型的数据科学从业者。\n- 数据科学和机器学习的学生及爱好者。\n\n# 🎮 在 GPU 上训练\n要在 GPU 上训练模型，只需在 setup 函数中传入 use_gpu = True 即可。API 的使用方式无需更改；不过，在某些情况下，需要安装额外的库。以下模型可以在 GPU 上训练：\n\n- 极端梯度提升\n- CatBoost\n- Light Gradient Boosting Machine 需要 [GPU 安装](https:\u002F\u002Flightgbm.readthedocs.io\u002Fen\u002Flatest\u002FGPU-Tutorial.html)\n- 逻辑回归、岭分类器、随机森林、K 近邻分类器、K 近邻回归、支持向量机、线性回归、岭回归、Lasso 回归 需要 [cuML >= 0.15](https:\u002F\u002Fgithub.com\u002Frapidsai\u002Fcuml)\n\n# 🖥️ PyCaret Intel sklearnex 支持\n您可以为机器学习算法应用 [Intel 优化](https:\u002F\u002Fgithub.com\u002Fintel\u002Fscikit-learn-intelex)，从而加速您的工作流程。要使用 Intel 优化来训练模型，请使用 `sklearnex` 引擎。API 的使用方式不变，但需要安装 Intel sklearnex：\n\n```python\npip install scikit-learn-intelex\n```\n\n# 🤝 贡献者\n\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fgraphs\u002Fcontributors\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpycaret_pycaret_readme_db3490c00f7b.png\" width=600\u002F>\n\u003C\u002Fa>\n\n# 📝 许可证\nPyCaret 完全是免费且开源的，采用 [MIT](https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fblob\u002Fmaster\u002FLICENSE) 许可证授权。\n\n# ℹ️ 更多信息\n\n| 重要链接              |            描述                                       |\n| -------------------------- | -------------------------------------------------------------- |\n| :star: **[教程]**        | 由核心开发者开发并维护的教程       |\n| :clipboard: **[示例笔记本]** | 社区创建的示例笔记本               |\n| :orange_book: **[博客]** | PyCaret 创建者的官方博客                      |\n| :books: **[文档]**      | API 文档                              |\n| :tv: **[视频]**            | 视频资源             |\n| ✈️ **[速查表]**            | 社区速查表            |\n| :loudspeaker: **[讨论]**        | GitHub 上的社区讨论版|\n| :hammer_and_wrench: **[发布说明]**          | 发布说明          |\n\n[tutorials]: https:\u002F\u002Fpycaret.gitbook.io\u002Fdocs\u002Fget-started\u002Ftutorials\n[Example notebooks]: https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fexamples\n[Blog]: https:\u002F\u002Fpycaret.gitbook.io\u002Fdocs\u002Flearn-pycaret\u002Fofficial-blog\n[Documentation]: https:\u002F\u002Fpycaret.gitbook.io\u002Fdocs\u002F\n[Videos]: https:\u002F\u002Fpycaret.gitbook.io\u002Fdocs\u002Flearn-pycaret\u002Fvideos\n[Cheat sheet]: https:\u002F\u002Fpycaret.gitbook.io\u002Fdocs\u002Flearn-pycaret\u002Fcheat-sheet\n[Discussions]: https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fdiscussions\n[Release Notes]: https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Freleases","# PyCaret 快速上手指南\n\nPyCaret 是一个开源的低代码机器学习库，旨在自动化机器学习工作流程。它封装了 scikit-learn、XGBoost、LightGBM、CatBoost 等主流库，能用几行代码替代数百行传统代码，显著提升实验效率。\n\n## 环境准备\n\n在开始之前，请确保您的系统满足以下要求：\n\n*   **操作系统**：\n    *   Ubuntu 16.04 或更高版本\n    *   Windows 7 或更高版本\n    *   macOS (通常支持，但官方主要测试 Linux\u002FWindows)\n*   **Python 版本**：3.9, 3.10, 3.11 或 3.12 (64 位系统)\n*   **前置依赖**：建议先更新 `pip` 和 `setuptools` 以避免安装冲突。\n\n> **国内加速提示**：在中国大陆地区，建议使用清华或阿里镜像源加速安装过程。\n\n## 安装步骤\n\n### 1. 基础安装\n使用 pip 安装核心功能：\n\n```bash\n# 使用默认源\npip install pycaret\n\n# 【推荐】使用清华镜像源加速安装\npip install pycaret -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n### 2. 安装可选扩展（按需）\nPyCaret 默认不安装所有可选依赖。根据您的需求，可以选择安装特定模块：\n\n```bash\n# 安装分析扩展\npip install pycaret[analysis]\n\n# 安装模型扩展\npip install pycaret[models]\n\n# 安装超参数调优扩展\npip install pycaret[tuner]\n\n# 安装 MLOps 扩展\npip install pycaret[mlops]\n\n# 【推荐】一次性安装所有功能（包含所有可选依赖）\npip install pycaret[full] -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n### 3. Docker 方式（可选）\n如果您希望在不污染本地环境的情况下使用，可以使用预装好 Jupyter Notebook 的 Docker 镜像：\n\n```bash\n# 运行精简版\ndocker run -p 8888:8888 pycaret\u002Fslim\n\n# 运行完整版（包含所有依赖）\ndocker run -p 8888:8888 pycaret\u002Ffull\n```\n\n## 基本使用\n\nPyCaret 提供两种 API 风格：**函数式 API (Functional API)** 和 **面向对象 API (OOP API)**。以下以最常用的**分类任务**为例，展示函数式 API 的极简用法。\n\n### 示例：分类任务全流程\n\n这段代码将自动完成数据加载、预处理、模型训练、对比选择和评估。\n\n```python\n# 1. 加载示例数据集\nfrom pycaret.datasets import get_data\ndata = get_data('juice')\n\n# 2. 初始化设置\n# target: 目标列名\n# session_id: 用于复现结果的随机种子\nfrom pycaret.classification import *\ns = setup(data, target='Purchase', session_id=123)\n\n# 3. 训练并比较所有模型，自动返回表现最好的模型\nbest = compare_models()\n\n# 4. 评估最佳模型（生成可视化报告）\nevaluate_model(best)\n\n# 5. 在保留集（测试集）上进行预测\npred_holdout = predict_model(best)\n\n# 6. 对新数据进行预测\nnew_data = data.copy().drop('Purchase', axis=1)\npredictions = predict_model(best, data=new_data)\n\n# 7. 保存模型管道\nsave_model(best, 'best_pipeline')\n```\n\n### 关键说明\n*   **setup()**: 这是最关键的一步，它会自动处理缺失值、编码分类变量、特征缩放等预处理工作。\n*   **compare_models()**: 自动交叉验证并对比库中所有适用的算法，返回得分最高的模型。\n*   **GPU 加速**: 如果您的环境支持 GPU，只需在 `setup` 函数中添加 `use_gpu=True` 即可启用加速（需额外安装 cuML 或对应 GPU 版库）。\n\n```python\n# 启用 GPU 示例\ns = setup(data, target='Purchase', session_id=123, use_gpu=True)\n```","某电商公司的数据分析师需要在周末前快速构建一个用户流失预测模型，以支持下周的营销挽留活动。\n\n### 没有 pycaret 时\n- **代码繁琐冗长**：需要手动编写数百行代码来处理数据缺失值、编码分类变量及特征缩放，极易出错。\n- **调参耗时费力**：为了找到最优模型，需逐一调用 scikit-learn、XGBoost 等库，并手动编写循环进行交叉验证和超参数搜索，耗时数天。\n- **结果对比困难**：不同算法的训练结果分散在各个脚本中，缺乏统一的评估报表，难以直观横向对比性能。\n- **部署门槛高**：将训练好的模型保存并转换为可部署格式需要额外的序列化代码和依赖管理，流程复杂。\n\n### 使用 pycaret 后\n- **低代码自动化**：仅需 `setup()` 初始化数据，pycaret 即可自动完成所有数据预处理和特征工程，代码量减少 90%。\n- **一键模型优选**：通过 `compare_models()` 函数，pycaret 自动在数十种算法中进行训练、调优和交叉验证，几分钟内锁定最佳模型。\n- **统一评估视图**：自动生成包含准确率、ROC 曲线等指标的综合仪表盘，让模型性能对比一目了然。\n- **无缝生产部署**：利用 `save_model()` 和 `load_model()`，pycaret 直接将完整流水线（含预处理）打包为文件，随时可集成到生产环境。\n\npycaret 将原本需要数天的建模周期压缩至几小时，让业务人员能专注于数据洞察而非重复的代码实现。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpycaret_pycaret_1d941d9e.png","PyCaret","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fpycaret_a197676f.png",null,"https:\u002F\u002Fwww.pycaret.org","https:\u002F\u002Fgithub.com\u002Fpycaret",[79,83,87],{"name":80,"color":81,"percentage":82},"Jupyter Notebook","#DA5B0B",97.7,{"name":84,"color":85,"percentage":86},"Python","#3572A5",2.3,{"name":88,"color":89,"percentage":90},"Dockerfile","#384d54",0,9745,1849,"2026-04-16T15:20:14","MIT",1,"Linux (Ubuntu 16.04+), Windows (7+)","非必需。若启用 GPU 训练，需根据模型安装额外库：LightGBM 需单独配置 GPU 版本；部分模型（如逻辑回归、随机森林等）需安装 cuML >= 0.15（隐含需要 NVIDIA GPU 及对应 CUDA 环境）。","未说明",{"notes":100,"python":101,"dependencies":102},"默认安装不包含所有可选依赖，可根据需求通过 pip install pycaret[extras] 安装分析、模型、调优、MLOPS 等模块。支持 Intel sklearnex 加速。提供 Docker 镜像（slim\u002Ffull 版本）以便快速部署。","3.9, 3.10, 3.11, 3.12",[103,104,105,106,107,108,109],"scikit-learn","XGBoost","LightGBM","CatBoost","Optuna","Hyperopt","Ray",[111,14,16],"其他",[113,114,115,116,64,117,118,119,120,121,122,123],"data-science","citizen-data-scientists","python","machine-learning","ml","gpu","time-series","regression","classification","anomaly-detection","clustering","2026-03-27T02:49:30.150509","2026-04-17T10:21:23.912030",[127,132,137,142,147,152],{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},37403,"如何通过 Conda 安装 PyCaret？","PyCaret 现已官方支持 Conda 安装。您可以直接从 conda-forge 频道安装最新版本，命令为：`conda install -c conda-forge pycaret`。此前项目没有官方的 Conda 构建，但现在已可用。","https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fissues\u002F21",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},37404,"在 Google Colab 中运行 compare_models() 时遇到 'ImportError: cannot import name six' 错误怎么办？","这是一个已知的兼容性问题。在导入 pycaret 之前，请先运行以下代码来手动注册 six 模块：\n\nimport six\nimport sys\nsys.modules['sklearn.externals.six'] = six\n\n完成上述步骤后，再导入并使用 pycaret 即可解决该问题。","https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fissues\u002F329",{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},37405,"为什么在使用少量数据（如 1000 行）进行 setup 时会报 'MemoryError: Unable to allocate 116 GiB' 内存不足错误？","这通常是由于数据中包含高基数（High Cardinality）的分类特征，导致独热编码（One-Hot Encoding）后矩阵爆炸。该问题已在 `pycaret==2.2` 版本中修复。如果您仍遇到此问题，请确保升级到最新版本。如果问题依旧，检查数据中是否有包含大量唯一值的分类列，并考虑在 setup 时忽略这些特征或进行预处理。","https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fissues\u002F166",{"id":143,"question_zh":144,"answer_zh":145,"source_url":146},37406,"升级到 PyCaret 2.2.0 后，compare_models 的输出表格在 Databricks 或 Jupyter 中无法正确渲染（显示为 pandas styler 对象）怎么办？","这是 2.2.0 初期版本的一个显示问题，特别是在 Databricks 等特定环境中。维护者确认该问题在后续的 2.2.x 小版本更新中已得到改善。建议将 PyCaret 升级到最新的 2.2 版本（例如 `pip install --upgrade pycaret`），通常即可恢复正常的表格内联渲染。","https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fissues\u002F817",{"id":148,"question_zh":149,"answer_zh":150,"source_url":151},37407,"遇到 'SimpleImputer object has no attribute validate_data' 或 'ModuleNotFoundError: No module named sklearn.kernel_ridge' 错误如何解决？","这类错误通常是由 scikit-learn 版本不兼容引起的。尝试将 scikit-learn 降级到 0.23 版本（`pip install scikit-learn==0.23`）可能解决部分问题。如果设置 `imputation_type='iterative'` 时出现 `kernel_ridge` 缺失错误，也请确保安装的 scikit-learn 版本完整且与当前 PyCaret 版本兼容。建议查阅 PyCaret 文档确认推荐的 scikit-learn 版本范围。","https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fissues\u002F823",{"id":153,"question_zh":154,"answer_zh":155,"source_url":156},37408,"PyCaret 项目目前的维护状态如何？是否还在活跃开发中？","社区曾对项目维护停滞表示担忧，指出文档超过两年未更新，最新版本发布也已超过一年。虽然有外部组织（如 sktime 团队）提出愿意协助维护，但截至最近讨论，官方尚未有明确的移交或重启计划公告。用户在使用前建议检查仓库最近的提交记录和 Issue 响应情况，以评估项目的当前活跃度。","https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fissues\u002F4119",[158,163,168,173,178,183,188,193,198,203,208,213,218,223,228,233,238,243,248,253],{"id":159,"version":160,"summary_zh":161,"released_at":162},297976,"3.3.2","# 发布：PyCaret 3.3.2\n\n- **修复了安装问题以及 AUC 指标（以及其他基于概率的指标）相关问题。**\n\n## 变更内容\n* 更新 memory.py - 移除 joblib._format_load_msg() 的使用，由 @hakan-77 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3980 中完成\n* 修复 `pycaret[full]` 无法安装的问题，由 @jmakov 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3982 中完成\n* 修复 AUC 指标问题，由 @celestinoxp 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3935 中完成\n\n## 新贡献者\n* @hakan-77 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3980 中完成了首次贡献\n* @jmakov 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3982 中完成了首次贡献\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fcompare\u002F3.3.1...3.3.2","2024-04-28T18:46:27",{"id":164,"version":165,"summary_zh":166,"released_at":167},297977,"3.3.1","# 发布：PyCaret 3.3.1\n\n- **维护更新，修复依赖和兼容性问题。**\n\n## 变更内容\n* @1jiangxd 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3858 中通过上传方式添加文件\n* @Laura-Sangalli 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3903 中编辑教程的葡萄牙语翻译\n* @celestinoxp 将旧版显式 API 升级到新版 API，详见 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3923\n* @rhsouza 设置自定义日志路径（logs.log），详见 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3902\n* @dependabot 将 pyyaml 从 5.3.1 升级至 5.4，详见 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3911\n* @celestinoxp 修复 RANSAC 损失函数，详见 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3920\n* @celestinoxp 修复 AUC 指标，详见 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3926\n* 修复依赖问题：Joblib 1.4.0 导致 PyCaret 出现问题，因此降级至 1.4 以下版本，详见 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3967\n* @Yard1 修复 sklearnex、SHAP 和 Dask 的 CI 测试，详见 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3968\n\n## 新贡献者\n* @1jiangxd 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3858 中完成了首次贡献\n* @Laura-Sangalli 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3903 中完成了首次贡献\n* @rhsouza 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3902 中完成了首次贡献\n* @dependabot 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3911 中完成了首次贡献\n\n**完整变更日志**：https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fcompare\u002F3.3.0...3.3.1","2024-04-16T03:24:08",{"id":169,"version":170,"summary_zh":171,"released_at":172},297978,"3.3.0","# 发布：PyCaret 3.3.0\n\n- **支持最新版本的 scikit-learn (1.4) 和 pandas (2.0)**（特别感谢 @celestinoxp）\n- **已停止对 Python 3.8 的支持！**\n\n## 变更\n* 移除 Python 3.7 标志，由 @celestinoxp 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3831 中完成\n* 支持 Pandas 2.0，由 @celestinoxp 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3830 中完成\n* 修复将仅包含两个唯一值的分类变量转换为有序变量的问题，由 @tvdboom 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3848 中完成\n* 将 \"triad\" 版本从 0.9.1 升级至 0.9.3（requirements-optional.txt），由 @celestinoxp 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3828 中完成\n* 修复 create_docker() 函数，由 @rafinhaLQ 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3838 中完成\n* 修复 “return_train_score” 参数未传递的问题，由 @Nelsaur 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3840 中完成\n* （#3841）提升支持的 MLflow 版本，由 @pascal456 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3842 中完成\n* （#3870）统一 stack_models 中 `restack` 参数的默认值，由 @pascal456 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3871 中完成\n* 更新版权头信息，由 @celestinoxp 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3892 中完成\n* 支持 Scikit-learn 1.4，由 @celestinoxp 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3857 中完成\n\n## 新贡献者\n* @rafinhaLQ 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3838 中完成了首次贡献\n* @Nelsaur 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3840 中完成了首次贡献\n\n**完整变更日志**：https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fcompare\u002F3.2.0...3.3.0","2024-02-20T04:09:05",{"id":174,"version":175,"summary_zh":176,"released_at":177},297979,"3.2.0","# 发布：PyCaret 3.2.0（错误修复）\n\n- **已添加对 Python 3.11 的支持！**\n\n## 变更\n* 在设置安装环境的过程中，升级… 由 @turkalpmd 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3658 中完成\n* 修复 MLflowClient 导入问题 由 @celestinoxp 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3745 中完成\n* [文档] 更新 LightGBM GPU 安装文档 由 @jameslamb 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3734 中完成\n* 修复迭代插补器中的索引处理问题 由 @tvdboom 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3762 中完成\n* 更新 README.md 由 @moezali1 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3753 中完成\n* 修复 compare_models 中抛出的错误 由 @tvdboom 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3773 中完成\n* 锁定 Werkzeug>=2.2,\u003C3.0 以修复 Flask 问题 由 @Yard1 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3800 中完成\n* 切换到非位置式的显式参数和关键字参数以捕获它们 由 @ngupta23 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3801 中完成\n* 文档（更新版本）：不再支持 Python 3.7 由 @wjrforcyber 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3771 中完成\n* 修复目标变换指标 由 @Yard1 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3799 中完成\n* 依赖项：允许 NumPy 最高至 1.26。CI：在 `test_linux` 工作流中运行 Python 3.11。由 @amotl 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3813 中完成\n* 【BUG】回归模块中 `automl()` 的 `optimize` 默认值必须更改 由 @pascal456 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3791 中完成\n* (#3796) 修复 API 创建中的索引引用问题 由 @pascal456 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3817 中完成\n* 进一步增加对 Python 3.11 的支持 由 @amotl 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3814 中完成\n* 优化 CI 流程 由 @amotl 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3815 中完成\n* 更新 xgboost v2 并限制 Python 版本 由 @celestinoxp 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3749 中完成\n* 添加 Python 3.11 支持 由 @tvdboom 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3756 中完成\n* 更新 __init__.py 由 @celestinoxp 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3819 中完成\n\n## 新贡献者\n* @turkalpmd 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3658 中做出了首次贡献\n* @jameslamb 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3734 中做出了首次贡献\n* @wjrforcyber 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3771 中做出了首次贡献\n* @amotl 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3813 中做出了首次贡献\n* @pascal456 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3791 中做出了首次贡献\n\n**完整变更日志**：https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fcompare\u002F3.1.0...3.2.0","2023-11-12T21:46:01",{"id":179,"version":180,"summary_zh":181,"released_at":182},297980,"3.1.0","# 发布：PyCaret 3.1.0（错误修复、API 变更）\n\n- **已停止对 Python 3.7 的支持，PyCaret 现不再针对 Python 3.7 进行测试，也不再保证与 3.7 兼容。**\n- **`deep_check` 和 `eda` 函数已被移除。调用这些函数将引发异常。**\n\n## 更改\n* 修复分组及会改变行数的管道问题，由 @tvdboom 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3629 中完成。\n* 修复教程文档中的失效链接，由 @mbellitti 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3646 中完成。\n* 修复近期版本中 sktime 的变更问题，由 @ngupta23 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3652 中完成。\n* 【错误修复】修复因旧版已弃用的 `pandas-profiling` 库导致的问题，并迁移到新版 `ydata-profiling`，由 @beingmechon 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3649 中完成。\n* 移除对 Python 3.7 的支持，由 @ngupta23 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3677 中完成。\n* 【BUG】为类别不平衡问题启用 `random_state` 参数，由 @arghhjayy 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3676 中完成。\n* 更新 README.md 文件，由 @moezali1 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3682 中完成。\n* 解决时间序列实验过程中图表重复打印的问题，由 @chrimaho 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3670 中完成。\n* 修复分组相关 bug、cuml 版本问题以及缺失已安装库的 bug，由 @tvdboom 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3710 中完成。\n* 由于 `parallel` 参数已被弃用，限制 `statsforecast` 的使用，由 @ngupta23 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3731 中完成。\n* 验证 `timeseries` CV 中的 `data_split_shuffle` 参数，由 @Yard1 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3711 中完成。\n* 修复分类任务自定义指标的标签编码问题，由 @Yard1 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3715 中完成。\n* 修复具有大量类别的迭代插补器问题，由 @Yard1 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3713 中完成。\n* 在 `tune_model` 中剥离管道，并修复内存序列化问题，由 @Yard1 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3714 中完成。\n* 移除 `deepchecks` 和 `eda` 功能，由 @Yard1 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3712 中完成。\n\n## 新贡献者\n* @mbellitti 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3646 中完成了首次贡献。\n* @beingmechon 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3649 中完成了首次贡献。\n* @arghhjayy 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3676 中完成了首次贡献。\n\n**完整变更日志**：https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fcompare\u002F3.0.4...3.1.0","2023-09-11T02:32:00",{"id":184,"version":185,"summary_zh":186,"released_at":187},297981,"3.0.4","# 发布：PyCaret 3.0.4（维护更新）\n\n## 变更\n* 锁定 scikit-learn 版本低于 1.3.0，版本升级至 3.0.4，由 Yard1 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3628 中完成清理。\n\n\n**完整变更日志**：https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fcompare\u002F3.0.3...3.0.4","2023-07-02T04:09:52",{"id":189,"version":190,"summary_zh":191,"released_at":192},297982,"3.0.3","# 发布：PyCaret 3.0.3（错误修复）\n\n## 变更\n* 由 @tvdboom 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3562 中修复特征选择问题\n* 由 @Yard1 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3574 中移除已弃用的 matplotlib 参数\n* DagsHubLogger：支持程序化日志记录 \u002F 错误修复：MLflow 嵌套运行中的 URL 分割器错误，由 @timho102003 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3577 中修复\n* 更新 README.md，由 @moezali1 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3584 中完成\n* 由 @Yard1 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3587 中修复 CometLogger 中缺失的 `USI` 参数\n* 在 Mac 上将 catboost 版本固定为 \u003C1.2，由 @Yard1 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3586 中完成\n* 由 @ngupta23 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3599 中修复时间序列绘图问题\n* 为升级 sktime 至 0.19.1 时所需的管道变更做准备，由 @ngupta23 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3598 中完成\n* 由 @ngupta23 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3596 中进行版本相关修复\n* 由 @Yard1 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3595 中从 `plot_model` 中移除 `use_train_data`\n* 由 @Yard1 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3619 中修复分类器 `predict_model` 中的标签数据类型错误\n* 由 @Yard1 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3620 中修复列顺序导致的重复列问题\n* 由 @Yard1 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3621 中强制对 CBLOF 使用 np.float64 数据类型\n\n## 新贡献者\n* @timho102003 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3577 中做出了首次贡献\n\n**完整变更日志**：https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fcompare\u002F3.0.2...3.0.3","2023-06-26T02:17:50",{"id":194,"version":195,"summary_zh":196,"released_at":197},297983,"3.0.2","# 发布：PyCaret 3.0.2（错误修复）\n\n## 变更\n* 由 @Yard1 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3559 中修复了 MLflow 的嵌套问题及模型工件问题。\n* 由 @Yard1 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3560 中取消了对 holoviews 的版本锁定。\n\n\n**完整变更日志**：https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fcompare\u002F3.0.1...3.0.2","2023-05-18T16:46:10",{"id":199,"version":200,"summary_zh":201,"released_at":202},297984,"3.0.1","# 发布：PyCaret 3.0.1（错误修复）\n\n## 变更\n\n* @ngupta23 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3412 中添加并整理了徽章\n* @Yard1 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3414 中将 numpy 锁定为 \u003C1.24 版本\n* @beckernick 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3423 中清理了 cuML 的 ImportError 消息\n* @tvdboom 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3430 中添加了重复索引检查\n* @ngupta23 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3448 中为时间序列添加了索引清理工具\n* @kyosuke0924 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3458 中修复了使用分布时 GPU 上的 CatboostRegresser 问题\n* @sherpan 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3462 中修复了 Comet Compare 日志记录中的错误\n* @mike0sv 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3465 中限制了明显版本\n* @tvdboom 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3470 中修复了在 get_feature_names_out 不可用时的 np 数组检查\n* @Denny-Hwang 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3473 中更新了 functional.py\n* @ngupta23 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3474 中将 sktime 锁定，直到问题修复\n* @ngupta23 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3494 中暂时禁用了失败的测试\n* @ngupta23 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3476 中添加了 STLForecaster\n* @ngupta23 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3477 中增加了动态季节性类型检测，并移除了不良模型\n* @tvdboom 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3500 中更新到了新的 schemdraw\n* @ngupta23 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3478 中修复了 M3 数据集上 TBATS 的问题\n* @tvdboom 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3485 中检查了重复列\n* @ngupta23 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3518 中增强了季节性类型检测\n* @Yard1 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3521 中将 `holoviews\u003C=1.14.9` 锁定在可选依赖中\n* @goodwanghan 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3504 中修复了 fugue 测试\n* @Yard1 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3519 中修复了使用 `transform_target` 时的 `predict_model` 问题\n* @Yard1 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3520 中确保了 `finalize_model` 记录正确的管道\n* @Yard1 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3480 中修复了无标签编码器时的树状图显示问题\n* @ngupta23 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3533 中为用户提供指定季节性类型的选择\n* @ngupta23 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3534 中对时间序列的 `blend_models` 进行了增强和错误修复\n* @Yard1 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3537 中修复了 `predict_model` 中指标为零的问题\n* @Yard1 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3481 中修复了使用 catboost 保存模型的问题\n* @tvdboom 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3543 中移除了 leaveoneout 方法\n\n## 新贡献者\n* @kyosuke0924 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F3458 中做出了首次贡献\n* @mike0sv 在 https:\u002F\u002Fgithub.","2023-05-14T21:30:45",{"id":204,"version":205,"summary_zh":206,"released_at":207},297985,"3.0.0","# 发布：PyCaret 3.0\n\n这是一次重大更新，引入了多项新功能和错误修复，同时也包含了一些破坏性 API 变更。更多信息请参阅文档和教程。\n\n**PyCaret 2.0 的代码很可能无法在不进行修改的情况下运行！**\n\n## 主要变更\n\n- 新增时间序列预测模块\n- 进行了深远的内部重构，以提升性能、一致性和开发效率\n- 引入面向对象的新 API，可与函数式 API 并用\n- 完全重构了预处理流程\n- 在交叉验证中使用管道，防止目标泄漏\n- 兼容最新版本的 scikit-learn\n- 支持 [scikit-learn-intelex](https:\u002F\u002Fpypi.org\u002Fproject\u002Fscikit-learn-intelex\u002F)，以在 CPU 上获得更好的性能\n- 新的实验日志 API，支持 MLflow、Weights & Biases、DagsHub 和 CometML\n- 使用 [Fugue](https:\u002F\u002Fgithub.com\u002Ffugue-project\u002Ffugue) 实现分布式并行计算\n- 重新编写了教程和文档\n- 移除了过时的 NLP 和 ARules 模块\n- 多项其他修复和改进\n\n## 完整变更日志\n\u003Cdetails>\n\n* Black 格式化，由 @Yard1 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F836 中完成\n* Black 格式化，由 @Yard1 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F838 中完成\n* 添加了简单插补器的单元测试，并修复了 minor 问题，由 @wkuopt 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F974 中完成\n* 为简单插补器添加了时间列的插补策略，由 @wkuopt 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F978 中完成\n* 修复了 PNG 图表中长文本被截断的问题，由 @wkuopt 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F992 中完成\n* 修复了 Dummify 以满足 scikit-learn 管道结构的要求，由 @wkuopt 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F1004 中完成\n* 按照 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fissues\u002F1038 的要求添加了初始数据集，由 @ngupta23 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F1044 中完成\n* 时间序列指标，由 @TremaMiguel 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F1067 中完成\n* 修复了 Reduce_Dimensions_For_Supervised_Path，使其符合 scikit-learn 管道规范，由 @wkuopt 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F1006 中完成\n* 时间序列拆分器，由 @TremaMiguel 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F1082 中完成\n* 时间序列（create_model）——初始 PR，由 @ngupta23 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F1068 中完成\n* 增加了更多模型类型，由 @ngupta23 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F1089 中完成\n* 时间序列集成模型，由 @TremaMiguel 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F1105 中完成\n* tune_model + create_model 更新，由 @ngupta23 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F1114 中完成\n* 清理时间序列指标，由 @ngupta23 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F1119 中完成\n* 时间序列季节性参数及 fh 数据拆分，由 @TremaMiguel 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F1129 中完成\n* 为时间序列添加随机网格搜索的初始内容，由 @ngupta23 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F1164 中完成\n* 改进的网格搜索，由 @ngupta23 在 https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F1173 中完成\n* 功能：比较时间序列模型，由 @TremaMiguel i","2023-03-18T22:43:03",{"id":209,"version":210,"summary_zh":211,"released_at":212},297986,"2.3.10","## Release: PyCaret 2.3.10 | Release Date: April 10th, 2022 (BUG FIXES)\r\n\r\n### Summary of Changes\r\n\r\n- Fixed `predict_model` throwing an exception with loaded pipelines (https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F2349)\r\n- Fixed potential parameter leaking for `ParallelBackend` - thanks to @goodwanghan (https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F2339)\r\n- Refactored a piece of logic in arules - thanks to @daikikatsuragawa (https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F2316)\r\n- Added Two Tutorials in Chinese - thanks to @ryanxjhan (https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F2352)\r\n- Added CLF101 in Chinese - thanks to @ryanxjhan (https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F2353)\r\n- Added new tutorials in Chinese - thanks to @ryanxjhan (https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F2375)","2022-04-10T22:12:29",{"id":214,"version":215,"summary_zh":216,"released_at":217},297987,"2.3.9","## Release: PyCaret 2.3.9 | Release Date: March 27th, 2022 (BUG FIXES)\r\n\r\n### Summary of Changes\r\n\r\n- Made `log_experiment` more configurable (https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F2334, https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F2335)\r\n- Made `return_train_score=False` use the old output format (https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F2333)","2022-03-27T21:48:05",{"id":219,"version":220,"summary_zh":221,"released_at":222},297988,"2.3.8","## Release: PyCaret 2.3.8 | Release Date: March 21st, 2022 (BUG FIXES)\r\n\r\n### Summary of Changes\r\n\r\n- Fixed `dashboard_logger` key error during `setup` (https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F2311)","2022-03-21T10:27:17",{"id":224,"version":225,"summary_zh":226,"released_at":227},297989,"2.3.7","## Release: PyCaret 2.3.7 | Release Date: March 20th, 2022 (NEW FEATURES, BUG FIXES)\r\n\r\n### Summary of Changes\r\n\r\n- Fugue integration - thanks to @goodwanghan (https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F2035)\r\n- Added W&B experiment logger - thanks to @AyushExel (https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F2231)\r\n- Fixed `check_fairness` exception when index is not and ordinal number - thanks to @reza1615 (https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F2055)\r\n- Unsupported characters in dataframes are now replaced - thanks to @reza1615 (https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F2058)\r\n- Fixed drift report with categorical columns - thanks to @reza1615 (https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F2063)\r\n- Added multivariable time series dataset from UCI - thanks to @reza1615 (https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F2094)\r\n- Fixed a UTF error during installation - thanks to @reza1615 (https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F2113)\r\n- MLFlow tracking API can now take in custom tags - thanks to @netoferraz (https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F1526)\r\n- Updated `create_api` function (https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F2146)\r\n- `drift_report` can now work with unseen data - thanks to @reza1615 (https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F2183)\r\n- Added Japanese tutorial - thanks to @hanaseleb (https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F2215)\r\n- Added Traffic and Drugs Related Violations dataset and example - thanks to @HaithemH (https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F2191)\r\n- Train score can now be returned from various supervised learning functions (`return_train_score=True`). Passing an unseen dataset with the label column to `predict_model` will now calculate the metrics for that dataset - thanks to @levelalphaone (https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F2237)\r\n- Fixed spelling mistakes in function docstrings - thanks to @aadarshsingh191198 (https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F2269)\r\n- Pinned `numba\u003C0.55` (https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F2056)","2022-03-20T22:22:27",{"id":229,"version":230,"summary_zh":231,"released_at":232},297990,"2.3.6","## Release: PyCaret 2.3.6 | Release Date: Januray 12th, 2022 (NEW FEATURES, BUG FIXES)\r\n\r\n### Summary of Changes\r\n\r\n- Added new function `create_app` (https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F2044)\r\n- Refactored `optimize_threshold` function (https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F2041)\r\n- Added new function `create_docker` (https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F2005)\r\n- Added new function `create_api` (https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F2000)\r\n- Added new function `check_fairness` (https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F1997)\r\n- Added new function `eda` (https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F1983)\r\n- Added new function `convert_model` (https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F1959)\r\n- Added an ability to pass kwargs to plots in `plot_model` (https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F1940)\r\n- Added `drift_report` functionality to `predict_model` (https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F1935)\r\n- Added new function `dashboard` (https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F1925)\r\n- Added `grid_interval` parameter to `optimize_threshold` - thanks to @wolfryu (https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F1938)\r\n- Made logging level configurable by environment variable (https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F2026)\r\n- Made the optional path in AWS configurable (https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F2045)\r\n- Fixed TSNE plot with PCA (https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F2032)\r\n- Fixed rendering of streamlit plots (https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F2008)\r\n- Fixed class names in `tree` plot - thanks to @yamasakih (https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F1982)\r\n- Fixed NearZeroVariance preprocessor not being configurable - thanks to @Flyfoxs (https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F1952)\r\n- Removed duplicated code - thanks to @Flyfoxs (https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F1882)\r\n- Documentation improvements - thanks to @harsh204016, @khrapovs (https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F1931, https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F1956, https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F1946, https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F1949)\r\n- Pinned `pyyaml\u003C6.0.0` to fix issues with Google Colab","2022-01-12T14:38:41",{"id":234,"version":235,"summary_zh":236,"released_at":237},297991,"2.3.5","## Release: PyCaret 2.3.5 | Release Date: November 19th, 2021 (NEW FEATURES, BUG FIXES)\r\n\r\n### Summary of Changes\r\n\r\n- Fixed an issue where `Fix_multicollinearity` would fail if the target was a float (https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F1640)\r\n- MLFlow runs are now nested - thanks to @jfagn (https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F1660)\r\n- Fixed a typo in REG102 tutorial - thanks to @bobo-jamson (https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F1684)\r\n- Fixed `interpret_model` not always respecting `save_path` (https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F1707)\r\n- Fixed certain plots not being logged by MLFlow (https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F1769)\r\n- Added dummy models to set a baseline in `compare_models` - thanks to @reza1615 (https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F1739)\r\n- Improved error message if a column specified in `ignore_features` doesn't exist in the dataset - thanks to @reza1615 (https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F1793)\r\n- Added an ability to set a custom probability threshold for binary classification through the `probability_threshold` argument in various methods (https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F1858)\r\n- Separated internal CV from validation CV for `stack_models` and `calibrate_models` (https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F1849, https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F1858)\r\n- A `RuntimeError` will now be raised if an incorrect version of `scikit-learn` is installed (https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F1870)\r\n- Improved readme, documentation and repository structure\r\n- Unpinned `numba` (https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F1735)","2021-11-19T19:06:42",{"id":239,"version":240,"summary_zh":241,"released_at":242},297992,"2.3.4","## Release: PyCaret 2.3.4 | Release Date: September 23rd, 2021 (NEW FEATURES, BUG FIXES)\r\n\r\n### Summary of Changes\r\n\r\n- Added `get_leaderboard` function for classification and regression modules\r\n- It is now possible to specify the plot save path with the save argument of `plot_model` and `interpret_model` - thanks to @bhanuteja2001 (https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F1537)\r\n- Fixed `interpret_model` affecting `plot_model` behavior - thanks to @naujgf (https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F1600)\r\n- Fixed issues with conda builds - thanks to @melonhead901 (https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F1479)\r\n- Documentation improvements - thanks to @caron14 and @harsh204016 (https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F1499, https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F1502)\r\n- Fixed `blend_models` and `stack_models` throwing an exception when using custom estimators (https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F1500)\r\n- Fixed a \"Target Missing\" issue with \"Remove Multicolinearity\" option (https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F1508)\r\n- `errors=\"ignore\"` parameter for `compare_models` now correctly ignores errors during full fit (https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F1510)\r\n- Fixed certain data types being incorrectly encoded as int64 during setup (https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F1515)\r\n- Pinned `numba\u003C0.54` (https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F1530)","2021-09-23T10:42:42",{"id":244,"version":245,"summary_zh":246,"released_at":247},297993,"2.2.3.1","## Release: PyCaret 2.3.3 | Release Date: July 24th, 2021 (NEW FEATURES, BUG FIXES)\r\n\r\n### Summary of Changes\r\n\r\n- Fixed issues with `[full]` install by pinning `interpret\u003C=0.2.4`\r\n- Added support for S3 folder path in `deploy_model()` with AWS\r\n- Enabled experimental Optuna `TPESampler` options to improve convergence (in `tune_model()`)","2021-07-25T13:15:52",{"id":249,"version":250,"summary_zh":251,"released_at":252},297994,"2.3.2","## Release: PyCaret 2.3.2 | Release Date: July 7th, 2021 (NEW FEATURES, BUG FIXES)\r\n \r\n### Summary of Changes\r\n\r\n- Implemented PDP, MSA and PFI plots in `interpret_model` - thanks to @IncubatorShokuhou (https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F1415)\r\n- Implemented  Kolmogorov-Smirnov (KS) plot in `plot_model` under `pycaret.classification` module\r\n- Fixed a typo \"RVF\" to \"RBF\" - thanks to @baturayo (https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F1220)\r\n- Readme & license updates and improvements\r\n- Fixed `remove_multicollinearity` considering categorical features\r\n- Fixed keyword issues with PyCaret's cuML wrappers\r\n- Improved performance of iterative imputation\r\n- Fixed `gain` and `lift` plots taking wrong arguments, creating misleading plots\r\n- `interpret_model` on LightGBM will now show a beeswarm plot\r\n- Multiple improvements to exception handling and documentation in `pycaret.persistence` (https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F1324)\r\n- `remove_perfect_collinearity` option will now be show in the `setup()` summary - thanks to @mjkanji (https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F1342)\r\n- Fixed `IterativeImputer` setting wrong float precision\r\n- Fixed custom grids in `tune_model` raising an exception when composed of lists\r\n- Improved documentation in `pycaret.clustering` - thanks to @susmitpy (https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F1372)\r\n- Added support for LightGBM CUDA version - thanks to @IncubatorShokuhou (https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F1396)\r\n- Exposed `address` in `get_data` for alternative data sources - thanks to @IncubatorShokuhou (https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F1416)","2021-07-07T00:28:34",{"id":254,"version":255,"summary_zh":256,"released_at":257},297995,"2.3.1","## Release: PyCaret 2.3.1 | Release Date: April 28, 2021 (SEVERAL BUGS FIXED)\r\n \r\n### Summary of Changes\r\n\r\n- Fixed an exception with missing variables (display_container etc.) during load_config()\r\n- Fixed exceptions when using Ridge and RF estimators with cuML (GPU mode)\r\n- Fixed PyCaret's cuML wrappers not being pickleable\r\n- Added an extra check to get_all_object_vars_and_properties internal method, fixing exceptions with certain estimators\r\n- save_model()  now supports kwargs, which will be passed to joblib.dump()\r\n- Fixed an issue with load_model() from AWS (duplicate .pkl extension) - thanks to markgrujic (https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F1128)\r\n- Fixed a typo in documentation - thanks to koorukuroo (https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F1149)\r\n- Optimized Fix_multicollinearity transformer, drastically reducing the size of the saved pipeline\r\n- interpret_model() now supports data passed as an argument - thanks to jbechtel (https:\u002F\u002Fgithub.com\u002Fpycaret\u002Fpycaret\u002Fpull\u002F1184)\r\n- Removed `infer_signature` from MLflow logging when `log_experiment=True`. \r\n- Fixed a rare issue where binary_multiclass_score_func was not pickleable\r\n- Fixed edge case exceptions in feature selection\r\n- Fixed an exception with `finalize_model` when using GroupKFold CV\r\n- Pinned `mlxtend>=0.17.0`, `imbalanced-learn==0.7.0`, and `gensim\u003C4.0.0`","2021-04-28T12:35:07"]