Catboost ist eine Gradient-Boost-Bibliothek in der Programmiersprache Python, die über hervorragende Fähigkeiten im Bereich der Datenverarbeitung und des maschinellen Lernens verfügt. Die Installation von Catboost in einem Jupyter Notebook kann für verschiedene Aufgaben wie Klassifizierung, Regression und Rangfolge nützlich sein.
Um Catboost in einem Jupyter Notebook zu installieren, benötigen Sie Python und das Pip-Paketinstallationsprogramm. Wenn Sie Python noch nicht installiert haben, können Sie es von der offiziellen Python-Website herunterladen. Um Pip zu installieren, führen Sie den Befehl 'sudo apt-get install python3-pip' an der Eingabeaufforderung aus.
Nachdem Sie Python und Pip installiert haben, installieren Sie Catboost mit dem folgenden Befehl: 'pip install catboost'. Dieser Befehl lädt die erforderlichen Pakete und Abhängigkeiten herunter und installiert sie. Sollten bei der Installation Probleme auftreten, stellen Sie sicher, dass Sie alle erforderlichen Abhängigkeiten installiert und die Paketversionen aktualisiert haben.
Nachdem Sie Catboost erfolgreich installiert haben, können Sie das Jupyter Notebook starten und Catboost mit dem Befehl 'catboost als cb importieren' importieren. Sie können jetzt alle Funktionen von Catboost nutzen, um Daten zu verarbeiten und maschinelle Lernmodelle in Jupyter Notebook zu trainieren.
Installieren von Jupiter Notebook
Folgen Sie den Anweisungen unten, um Jupiter Notebook zu installieren:
Schritt 1: Installieren von Anaconda
Um das Jupiter Notebook zu installieren, müssen Sie zuerst Anaconda installieren, das das Jupiter Notebook mitgeliefert hat. Sie können Anaconda von der offiziellen Website herunterladen https://www.anaconda.com/products/individual und folgen Sie den Installationsanweisungen für Ihr Betriebssystem.
Schritt 2: Starten von Jupiter Notebook
Nach der Installation von Anaconda starten Sie Jupiter Notebook, indem Sie eine Eingabeaufforderung (unter Windows) oder ein Terminal (unter macOS oder Linux) öffnen und den Befehl eingeben:
Drücken Sie dann die Eingabetaste.
Schritt 3: Erstellen eines neuen Laptops
Nachdem Sie Jupiter Notebook gestartet haben, sehen Sie ein Browserfenster mit einer Startseite. Um einen neuen Laptop zu erstellen, klicken Sie oben rechts auf die Schaltfläche Neu und wählen Sie Python 3 oder eine andere Programmiersprache aus, wenn Sie den Code in einer anderen Sprache ausführen müssen.
Schritt 4: Verwenden von Jupiter Notebook
Jupiter Notebook bietet eine Schnittstelle, mit der Sie einzelne Zellen mit Code erstellen und ausführen sowie Textzellen hinzufügen können, um Ihren Code zu beschreiben. Sie können Zellen einzeln oder alle gleichzeitig ausführen, indem Sie die Schaltflächen in der oberen Symbolleiste verwenden.
Die Installation von Jupiter Notebook ist eine einfache Möglichkeit, mit Python und anderen Programmiersprachen zu interagieren und bietet die Möglichkeit, interaktive Notebooks zu erstellen, um Daten zu analysieren, maschinelle Lernmodelle zu lernen und vieles mehr.
Erstellen eines neuen Notizbuchs
Führen Sie die folgenden Schritte aus, um ein neues Notizbuch in Jupyter Notebook zu erstellen:
- Öffnen Sie Jupyter Notebook, indem Sie eine Eingabeaufforderung oder ein Terminal ausführen und den Befehl jupyter notebook eingeben.
- Wählen Sie im angezeigten Browserfenster den Ordner aus, in dem Sie ein neues Notizbuch erstellen möchten.
- Klicken Sie auf die Schaltfläche "Neu" und wählen Sie "Python 3" (oder eine andere Programmiersprache, wenn Sie es vorziehen).
- Ein neues Notizbuch mit dem Namen "Untitled" wird im angezeigten Fenster angezeigt.ipynb". Sie können seinen Namen ändern, indem Sie oben auf den Text "Untitled" klicken.
- Sie können mit dem Schreiben von Code und Text direkt in das Notizbuch beginnen. Um eine Codezelle auszuführen, drücken Sie Umschalt + Eingabetaste oder klicken Sie in der oberen Symbolleiste auf die Schaltfläche Ausführen.
- Um eine neue Zelle hinzuzufügen, klicken Sie in der oberen Symbolleiste auf die Schaltfläche Einfügen.
- Speichern Sie Ihre Änderungen, indem Sie auf "Save" klicken oder "Save and Checkpoint" aus dem Menü "File" auswählen.
Jetzt können Sie mit Ihrem neuen Notizblock beginnen, um Code mit CatBoost oder einer anderen Bibliothek auszuführen, die Sie installieren möchten.
Python installieren
Um Catboost in Jupiter Notebook zu installieren, muss die Programmiersprache Python vorinstalliert sein. Im Folgenden sind die Schritte aufgeführt, mit denen Sie Python auf Ihrem Computer installieren können:
| Schritt 1: | Besuchen Sie die offizielle Python-Website (https://www.python.org /) |
| Schritt 2: | Gehen Sie zur Seite "Downloads" und wählen Sie die neueste Version von Python für Ihr Betriebssystem aus (Windows, macOS, Linux) |
| Schritt 3: | Laden Sie die Python-Installationsdatei herunter |
| Schritt 4: | Führen Sie die Installationsdatei aus, und folgen Sie den Anweisungen des Installationsassistenten |
| Schritt 5: | Stellen Sie sicher, dass die Python-Installation erfolgreich war, indem Sie die Eingabeaufforderung öffnen und den Befehl "python --version" eingeben |
Nachdem Sie Python erfolgreich installiert haben, können Sie Catboost in Jupiter Notebook installieren und verwenden.
Installieren der CatBoost-Bibliothek
Um die CatBoost-Bibliothek in Jupiter Notebook zu installieren, müssen Sie einige einfache Schritte befolgen:
- Öffnen Sie das Jupyter Notebook-Terminal.
- Installieren Sie CatBoost, indem Sie den Befehl ausführen !pip install catboost .
- Warten, bis die Installation abgeschlossen ist.
- Nachdem Sie die Bibliothek installiert haben, können Sie sie mithilfe des folgenden Befehls in Ihr Projekt importieren: import catboost .
Jetzt sind Sie bereit, die leistungsstarken Funktionen von CatBoost in Jupiter Notebook zu nutzen!
Importieren der CatBoost-Bibliothek
Um die CatBoost-Bibliothek in Jupiter Notebook zu verwenden, müssen Sie sie mit dem Befehl installieren:
- !pip install catboost
Nach erfolgreicher Installation können Sie die Bibliothek importieren, indem Sie Ihrem Code die folgende Zeile hinzufügen:
Jetzt können Sie alle Funktionen von CatBoost nutzen, um Daten zu analysieren und zu verarbeiten, maschinelle Lernmodelle zu trainieren und vieles mehr.
Vorbereiten der Daten für das Modelltraining
Hier sind einige wichtige Schritte beim Vorbereiten der Daten für das Modelltraining mit CatBoost:
- Laden Sie die Daten herunter: Beginnen Sie damit, die Daten herunterzuladen, die Sie zum Trainieren des Modells verwenden möchten. Dies kann eine CSV-Datei, eine Datenbank oder eine andere Datenquelle sein.
- Daten löschen: Bereinigen Sie die Daten vorab von Ausreißern, fehlenden Werten und falschen Daten. Dadurch können Sie mit genaueren und zuverlässigeren Daten arbeiten.
- Kategoriezeichen konvertieren: CatBoost kann mit kategorischen Merkmalen ohne vorherige Konvertierung arbeiten. Wenn Ihre kategorischen Merkmale jedoch numerisch dargestellt werden oder Sie eine andere Konvertierung benötigen, müssen Sie diese durchführen.
- Teilen Sie die Daten in Trainings- und Testproben auf: Um die Leistung eines Modells zu bewerten, teilen Sie die Daten in Trainings- und Testproben auf. Es wird normalerweise ein Verhältnis von 70/30 oder 80/20 verwendet, abhängig von der Größe des Datensatzes.
- Skalieren Sie numerische Zeichen: Wenn Sie numerische Zeichen haben, skalieren Sie sie so, dass sie einen ähnlichen Maßstab haben. Dies hilft dem Modell, die Zeichen gleichmäßiger zu behandeln und die Leistung zu verbessern.
Die Vorbereitung der Daten, bevor Sie ein Modell mit CatBoost trainieren, ist ein wichtiger Schritt, der die Qualität und Leistung des Modells bestimmt. Sie müssen diesem Schritt ausreichend Aufmerksamkeit schenken und sicherstellen, dass die Daten für das Modelltraining bereit sind.
Modelltraining mit CatBoost
Um ein Modell mithilfe der CatBoost-Bibliothek in Jupiter Notebook zu trainieren, müssen Sie die folgenden Schritte ausführen:
-
Importieren Sie die benötigten Bibliotheken:
import pandas as pdfrom catboost import CatBoostClassifierdata = pd.read_csv('data.csv')X_train, X_test, y_train, y_test = train_test_split(data.drop('target', axis=1), data['target'], test_size=0.2, random_state=42)model = CatBoostClassifier()model.fit(X_train, y_train)accuracy = model.score(X_test, y_test)predictions = model.predict(new_data)Jetzt wissen Sie, wie Sie ein Modell mit CatBoost in Jupiter Notebook trainieren können. Durch erfolgreiches Modelltraining können Sie Vorhersagen für neue Daten mit hoher Genauigkeit durchführen.
Bewertung der Modellleistung
Eine der häufigsten Metriken ist Accuracy, die den Anteil korrekt klassifizierter Objekte misst. Ein hoher Accuracy-Wert zeigt eine gute Leistung des Modells an.
Eine weitere nützliche Metrik ist Precision, die den Anteil korrekt klassifizierter Objekte in der ausgewählten Klasse anzeigt. Precision ist nützlich, wenn es wichtig ist, falsch positive Ergebnisse zu minimieren.
Die Recall-Metrik zeigt den Anteil korrekt klassifizierter Objekte aus allen realen Objekten der ausgewählten Klasse an. Recall ist nützlich, wenn es wichtig ist, falsch-negative Ergebnisse zu minimieren.
Sie können auch die F1-Score-Metrik verwenden, die die mittlere harmonische zwischen Precision und Recall ist. Der F1-Score eignet sich gut für die Bewertung des Modells, wenn sowohl Precision als auch Recall wichtig sind.
Sie können die Funktion eval_metrics verwenden, mit der Sie mehrere Metriken gleichzeitig berechnen können, um die Leistung eines Modells in Catboost zu bewerten. Zum Beispiel:
model.eval_metrics(train_pool, ['Accuracy', 'Precision', 'Recall', 'F1-Score'], plot=True)Auf diese Weise können Sie die Leistung des Modells leicht anhand verschiedener Metriken bewerten und die für Ihre Anforderungen am besten geeignete auswählen.
| Metrik | Die Beschreibung |
|---|---|
| Accuracy | Anteil korrekt klassifizierter Objekte |
| Precision | Anteil korrekt klassifizierter Objekte in der ausgewählten Klasse |
| Recall | Anteil korrekt klassifizierter Objekte aus allen realen Objekten der ausgewählten Klasse |
| F1-Score | Harmonisches Mittel zwischen Precision und Recall |
Die Bewertung der Modellleistung ist ein wichtiger Schritt für eine sichere Entscheidungsfindung basierend auf den Ergebnissen des maschinellen Lernens. Die Funktion eval_metrics in Catboost macht es einfach, mehrere Metriken gleichzeitig zu berechnen und die am besten geeignete für eine bestimmte Aufgabe auszuwählen.
Anwenden eines trainierten Modells zur Vorhersage
Nachdem Sie das CatBoost-Modell in Jupiter Notebook trainiert haben, können Sie es verwenden, um Werte für neue Daten vorherzusagen. Der Prozess der Verwendung eines geschulten Modells umfasst mehrere Schlüsselschritte:
1. Laden eines geschulten Modells:
Bevor Sie mit der Vorhersage beginnen, müssen Sie das trainierte CatBoost-Modell herunterladen. Dazu können Sie die Funktion load_model() verwenden und den Pfad zur Datei mit dem gespeicherten Modell angeben. Zum Beispiel:
from catboost import CatBoostRegressormodel = CatBoostRegressor()model.load_model('path/to/saved_model.cbm')2. Neue Daten abrufen:
Für die Vorhersage müssen Sie neue Daten haben, auf deren Grundlage das Modell Vorhersagen macht. Holen Sie sich die erforderlichen Daten und bereiten Sie sie in einem Format vor, das mit dem CatBoost-Modell kompatibel ist.
3. Prognostizieren von Werten:
Mit dem geladenen Modell können Sie es verwenden, um Werte für neue Daten vorherzusagen. Dazu müssen Sie die predict() -Methode für das Modellobjekt aufrufen und neue Daten eingeben. Zum Beispiel:
predictions = model.predict(new_data)Durch die Ausführung dieses Codes enthält die Variable predictions die vorhergesagten Werte für die neuen Daten.
4. Interpretation der Ergebnisse:
Die erhaltenen Prognosen können für verschiedene Zwecke verwendet werden. Sie können beispielsweise verwendet werden, um Geschäftsentscheidungen zu treffen oder Daten weiter zu analysieren. Es ist wichtig zu berücksichtigen, dass die Ergebnisse der Vorhersage probabilistisch sind und eine zusätzliche Bewertung und Interpretation erfordern.
Die Verwendung eines trainierten CatBoost-Modells zur Vorhersage von Werten für neue Daten ermöglicht die Nutzung seines leistungsstarken Potenzials für verschiedene Aufgaben.
Speichern eines geschulten Modells
Wenn Sie ein Modell mit CatBoost im Jupyter Notebook trainieren, ist es wichtig, das geschulte Modell für die zukünftige Verwendung oder Weitergabe an andere Kollegen zu speichern.
Um das trainierte Modell in CatBoost zu speichern, können Sie die Methode verwenden save_model(). Diese Methode speichert das Modell in einer Datei mit der Erweiterung .cbm (CatBoost model).
Zum Beispiel, um das Modell in der Datei "my_model" zu speichern.cbm", können Sie den folgenden Code verwenden:
Nachdem Sie diesen Code ausgeführt haben, ist die Datei "my_model".cbm" wird im selben Verzeichnis gespeichert, in dem das Jupyter Notebook-Skript ausgeführt wurde.
Sie können auch einen absoluten Dateipfad angeben, um das Modell an einem anderen Ort auf Ihrem Computer zu speichern. Zum Beispiel:
Sie können das gespeicherte Modell zum Laden und Wiederverwenden auf anderen Plattformen oder anderen Entwicklungsumgebungen verwenden, die CatBoost unterstützen.
Bei Bedarf können Sie das geschulte Modell zur späteren Verwendung an einen anderen Kollegen oder Datenanalyseexperten weitergeben, damit er das Modell herunterladen und die gleichen Ergebnisse erzielen kann wie Sie.
Jetzt wissen Sie, wie Sie ein trainiertes Modell mit CatBoost in Jupyter Notebook speichern können!
