Tutorial PyCaret: Machine Learning Low-Code untuk Prototyping Cepat
PyCaret adalah library open-source Python yang menyediakan antarmuka low-code untuk melakukan eksperimen machine learning secara cepat dan efisien. Dengan PyCaret, Anda bisa menyelesaikan seluruh pipeline ML — mulai dari preprocessing, training, tuning, hingga deployment — hanya dengan beberapa baris kode.
Library ini sangat cocok untuk data scientist yang ingin melakukan rapid prototyping, membandingkan puluhan model sekaligus, dan mendapatkan baseline model terbaik tanpa harus menulis boilerplate code yang panjang. PyCaret membungkus library populer seperti scikit-learn, XGBoost, LightGBM, CatBoost, dan banyak lagi dalam satu API yang konsisten.
Dalam tutorial ini, kita akan mempelajari cara menggunakan PyCaret dari instalasi hingga deployment model, lengkap dengan contoh kode yang bisa langsung dijalankan.
Instalasi
PyCaret tersedia di PyPI dan bisa diinstal menggunakan pip. Disarankan untuk menggunakan virtual environment agar tidak terjadi konflik dependensi.
# Buat virtual environment
python -m venv pycaret-env
source pycaret-env/bin/activate # Linux/Mac
pycaret-env\Scripts\activate # Windows
Instal PyCaret versi lengkap
pip install pycaret[full]
Jika Anda hanya membutuhkan modul tertentu, bisa instal secara selektif:
# Hanya untuk klasifikasi dan regresi
pip install pycaret
Dengan dukungan NLP
pip install pycaret[nlp]
Dengan dukungan time series
pip install pycaret[ts]
Untuk memverifikasi instalasi:
import pycaret
print(pycaret.version)
Dependensi Sistem
PyCaret memerlukan Python 3.9 atau lebih baru. Beberapa fitur opsional memerlukan dependensi tambahan:
# Untuk visualisasi interaktif
pip install plotly kaleido
Untuk deployment ke cloud
pip install pycaret[aws] # AWS
pip install pycaret[gcp] # Google Cloud
pip install pycaret[azure] # Azure
Konsep Dasar PyCaret
PyCaret diorganisasi dalam beberapa modul berdasarkan jenis task machine learning:
| Modul | Kegunaan |
|-------|----------|
| pycaret.classification | Klasifikasi (binary & multiclass) |
| pycaret.regression | Regresi |
| pycaret.clustering | Clustering |
| pycaret.anomaly | Anomaly detection |
| pycaret.timeseries | Time series forecasting |
| pycaret.nlp | Topic modeling |
Setiap modul mengikuti workflow yang sama: setup → compare → create → tune → evaluate → deploy.
Basic Usage: Klasifikasi
Mari kita mulai dengan contoh klasifikasi menggunakan dataset bawaan PyCaret.
Step 1: Setup Experiment
Fungsi setup() adalah langkah pertama dalam setiap eksperimen PyCaret. Fungsi ini melakukan preprocessing data secara otomatis.
from pycaret.classification import
Load dataset bawaan
from pycaret.datasets import get
data
data = getdata('diabetes')
Setup experiment
clf = setup(
data=data,
target='Class variable',
sessionid=42,
verbose=False
)
PyCaret secara otomatis melakukan:
- Deteksi tipe data (numerik, kategorikal)
- Train-test split (default 70/30)
- Missing value imputation
- Encoding variabel kategorikal
- Normalisasi (opsional)
Step 2: Bandingkan Model
Fungsi comparemodels() melatih dan mengevaluasi semua model yang tersedia dengan satu pemanggilan.
# Bandingkan semua model
bestmodel = comparemodels()
Bandingkan dengan metric tertentu
bestmodel = comparemodels(sort='AUC', nselect=3)
Fungsi ini akan menampilkan tabel perbandingan dengan metric seperti Accuracy, AUC, Recall, Precision, F1, Kappa, dan MCC untuk setiap model. Dari situ, Anda bisa langsung melihat model mana yang memberikan performa terbaik.
Step 3: Buat Model Spesifik
Jika Anda sudah tahu model mana yang ingin digunakan:
# Buat model Random Forest
rf = createmodel('rf')
Buat model Gradient Boosting
gbc = createmodel('gbc')
Buat model LightGBM
lgbm = createmodel('lightgbm')
Buat model XGBoost
xgb = createmodel('xgboost')
Setiap model otomatis dievaluasi menggunakan cross-validation (default 10-fold).
Step 4: Tuning Hyperparameter
# Tune model dengan random search
tunedrf = tunemodel(rf)
Tune dengan jumlah iterasi tertentu
tunedrf = tunemodel(rf, niter=100)
Tune untuk metric tertentu
tunedrf = tunemodel(rf, optimize='F1')
Tune menggunakan Optuna
tunedrf = tunemodel(rf, searchlibrary='optuna', niter=50)
Step 5: Evaluasi Model
# Tampilkan semua plot evaluasi
evaluatemodel(tunedrf)
Plot confusion matrix
plotmodel(tunedrf, plot='confusionmatrix')
Plot ROC curve
plotmodel(tunedrf, plot='auc')
Plot feature importance
plotmodel(tunedrf, plot='feature')
Plot decision boundary (untuk 2D)
plotmodel(tunedrf, plot='boundary')
Step 6: Prediksi dan Finalisasi
# Prediksi pada test set
predictions = predictmodel(tunedrf)
Prediksi pada data baru
newdata = data.drop('Class variable', axis=1).head(5)
newpredictions = predictmodel(tunedrf, data=newdata)
Finalisasi model (train pada seluruh dataset)
finalmodel = finalizemodel(tunedrf)
Step 7: Simpan dan Load Model
# Simpan model
savemodel(finalmodel, 'diabetesclassifier')
Load model
loadedmodel = loadmodel('diabetesclassifier')
Basic Usage: Regresi
Workflow untuk regresi hampir identik:
from pycaret.regression import
from pycaret.datasets import getdata
Load dataset
data = getdata('boston')
Setup
reg = setup(
data=data,
target='medv',
sessionid=42,
verbose=False
)
Bandingkan model
best = comparemodels()
Buat dan tune model
et = createmodel('et')
tunedet = tunemodel(et, optimize='MAE')
Evaluasi
plotmodel(tunedet, plot='residuals')
plotmodel(tunedet, plot='error')
Finalisasi dan simpan
final = finalizemodel(tunedet)
savemodel(final, 'bostonregressor')
Advanced Usage
Custom Preprocessing Pipeline
from pycaret.classification import
clf = setup(
data=data,
target='Class variable',
session
id=42,
# Preprocessing
normalize=True,
normalizemethod='zscore',
# Feature engineering
polynomialfeatures=True,
polynomialdegree=2,
# Handling imbalance
fiximbalance=True,
fiximbalancemethod='smote',
# Feature selection
featureselection=True,
featureselectionthreshold=0.8,
# Transformasi
transformation=True,
transformationmethod='yeo-johnson',
# Remove multicollinearity
removemulticollinearity=True,
multicollinearitythreshold=0.9,
# PCA
pca=True,
pcacomponents=0.95,
verbose=False
)
Ensemble Methods
PyCaret menyediakan beberapa teknik ensemble:
# Bagging
bagged = ensemblemodel(tunedrf, method='Bagging', nestimators=15)
Boosting
boosted = ensemblemodel(tunedrf, method='Boosting', nestimators=15)
Blending (combine multiple models)
blend = blendmodels(
estimatorlist=[tunedrf, createmodel('gbc'), createmodel('lightgbm')],
method='soft'
)
Stacking
stack = stackmodels(
estimatorlist=[tunedrf, createmodel('gbc'), createmodel('lightgbm')],
metamodel=createmodel('lr')
)
Time Series Forecasting
from pycaret.timeseries import
from pycaret.datasets import getdata
Load data
data = getdata('airline')
Setup
ts = setup(
data=data,
fh=12, # forecast horizon: 12 bulan
sessionid=42,
verbose=False
)
Bandingkan model
best = comparemodels()
Buat model spesifik
arima = createmodel('arima')
ets = createmodel('ets')
prophet = createmodel('prophet')
Tune
tuned = tunemodel(arima)
Plot forecast
plotmodel(tuned, plot='forecast')
plotmodel(tuned, plot='diagnostics')
Prediksi
predictions = predictmodel(tuned)
Clustering
from pycaret.clustering import
from pycaret.datasets import get
data
data = getdata('jewellery')
Setup (tanpa target karena unsupervised)
clu = setup(
data=data,
sessionid=42,
verbose=False
)
Buat model K-Means
kmeans = createmodel('kmeans', numclusters=4)
Assign cluster labels
result = assignmodel(kmeans)
Visualisasi
plotmodel(kmeans, plot='cluster')
plotmodel(kmeans, plot='elbow')
plotmodel(kmeans, plot='silhouette')
plotmodel(kmeans, plot='distribution')
Anomaly Detection
from pycaret.anomaly import
from pycaret.datasets import getdata
data = getdata('anomaly')
Setup
ano = setup(
data=data,
sessionid=42,
verbose=False
)
Buat model Isolation Forest
iforest = createmodel('iforest', fraction=0.05)
Assign anomaly labels
result = assignmodel(iforest)
Plot
plotmodel(iforest, plot='tsne')
plotmodel(iforest, plot='umap')
Experiment Logging dengan MLflow
PyCaret terintegrasi dengan MLflow untuk experiment tracking:
from pycaret.classification import
Setup dengan MLflow logging
clf = setup(
data=data,
target='Class variable',
logexperiment=True,
experiment
name='diabetesexperiment',
log
plots=True,
logdata=True,
sessionid=42,
verbose=False
)
Semua operasi berikut akan ter-log otomatis
best = comparemodels()
tuned = tunemodel(best)
final = finalizemodel(tuned)
Anda bisa melihat hasilnya di MLflow UI:
mlflow ui
Buka http://localhost:5000
Custom Metrics
from pycaret.classification import
from sklearn.metrics import logloss
Definisikan custom metric
def customlogloss(ytrue, ypred):
return logloss(ytrue, ypred)
Tambahkan ke PyCaret
addmetric('logloss', 'Log Loss', customlogloss, greaterisbetter=False)
Sekarang metric ini akan muncul di comparemodels()
best = comparemodels(sort='logloss')
Hapus custom metric jika perlu
removemetric('logloss')
Pipeline dan Transformasi Custom
from pycaret.classification import
from sklearn.preprocessing import FunctionTransformer
Custom transformer
def log
transform(X):
import numpy as np
return np.log1p(X.selectdtypes(include='number'))
logtransformer = FunctionTransformer(logtransform)
clf = setup(
data=data,
target='Class variable',
custompipeline=[('logtransform', logtransformer)],
sessionid=42,
verbose=False
)
Deployment
Deploy sebagai API dengan FastAPI
from pycaret.classification import
Load model yang sudah disimpan
model = loadmodel('diabetesclassifier')
Dapatkan pipeline lengkap
pipeline = getconfig('pipeline')
Buat file API:
# app.py
from fastapi import FastAPI
from pydantic import BaseModel
import pandas as pd
from pycaret.classification import loadmodel, predictmodel
app = FastAPI()
model = loadmodel('diabetesclassifier')
class PatientData(BaseModel):
pregnancies: float
glucose: float
bloodpressure: float
skinthickness: float
insulin: float
bmi: float
diabetespedigree: float
age: float
@app.post("/predict")
def predict(patient: PatientData):
data = pd.DataFrame([patient.dict()])
data.columns = [
'Number of times pregnant',
'Plasma glucose concentration',
'Diastolic blood pressure',
'Triceps skin fold thickness',
'2-Hour serum insulin',
'Body mass index',
'Diabetes pedigree function',
'Age (years)'
]
prediction = predictmodel(model, data=data)
return {
"prediction": int(prediction['predictionlabel'].iloc[0]),
"score": float(prediction['predictionscore'].iloc[0])
}
Jalankan:
uvicorn app:app --host 0.0.0.0 --port 8000
Deploy ke Cloud
from pycaret.classification import
Deploy ke AWS S3
deploymodel(finalmodel, 'my-model', platform='aws', authentication={
'bucket': 'my-pycaret-models',
'path': 'models/diabetes'
})
Deploy ke Google Cloud Storage
deploymodel(finalmodel, 'my-model', platform='gcp', authentication={
'project': 'my-project',
'bucket': 'my-pycaret-models'
})
Deploy ke Azure Blob Storage
deploymodel(finalmodel, 'my-model', platform='azure', authentication={
'container': 'my-pycaret-models',
'connstr': 'your-connection-string'
})
Best Practices
1. Selalu Set Session ID
# Untuk reproducibility
clf = setup(data=data, target='target', sessionid=42)
Tanpa sessionid, hasil eksperimen bisa berbeda setiap kali dijalankan karena random state yang berbeda.
2. Gunakan Cross-Validation yang Tepat
# Untuk dataset kecil, gunakan fold lebih banyak
best = comparemodels(fold=15)
Untuk dataset besar, fold lebih sedikit cukup
best = comparemodels(fold=5)
Untuk data time series, gunakan TimeSeriesSplit
clf = setup(data=data, target='target', foldstrategy='timeseries', fold=5)
3. Handle Imbalanced Data
clf = setup(
data=data,
target='target',
fiximbalance=True,
sessionid=42
)
Atau gunakan metric yang tepat untuk imbalanced data
best = comparemodels(sort='F1')
4. Feature Engineering Otomatis
clf = setup(
data=data,
target='target',
polynomialfeatures=True, # Buat fitur polynomial
trigonometryfeatures=True, # Buat fitur trigonometri
featureinteraction=True, # Interaksi antar fitur
binnumericfeatures=['age'], # Binning fitur numerik
groupfeatures=[['col1', 'col2']], # Grup fitur
sessionid=42
)
5. Gunakan Turbo Mode untuk Dataset Besar
# Turbo=True melewatkan model yang lambat (SVM, KNN, dll)
best = comparemodels(turbo=True)
Atau pilih model tertentu saja
best = comparemodels(include=['rf', 'lightgbm', 'xgboost', 'catboost'])
Exclude model tertentu
best = comparemodels(exclude=['svm', 'knn'])
6. Combine Multiple Experiments
from pycaret.classification import
Experiment 1: Default preprocessing
clf1 = setup(data=data, target='target', sessionid=42)
best1 = comparemodels(nselect=1)
Experiment 2: Dengan normalisasi
clf2 = setup(data=data, target='target', normalize=True, sessionid=42)
best2 = comparemodels(nselect=1)
Experiment 3: Dengan PCA
clf3 = setup(data=data, target='target', pca=True, sessionid=42)
best3 = comparemodels(nselect=1)
7. Interpretability dengan SHAP
# Plot SHAP summary
interpretmodel(tunedrf)
Plot SHAP untuk observasi tertentu
interpretmodel(tunedrf, plot='reason', observation=5)
Plot correlation
interpretmodel(tunedrf, plot='correlation')
Contoh End-to-End Project
Berikut contoh lengkap project klasifikasi kredit dari awal sampai akhir:
import pandas as pd
from pycaret.classification import *
1. Load data
data = pd.readcsv('creditdata.csv')
2. Setup experiment
clf = setup(
data=data,
target='default',
sessionid=42,
normalize=True,
fiximbalance=True,
removemulticollinearity=True,
logexperiment=True,
experimentname='creditscoring',
verbose=False
)
3. Bandingkan model
top3 = comparemodels(nselect=3, sort='AUC')
4. Tune top 3 model
tunedmodels = [tunemodel(m, optimize='AUC') for m in top3]
5. Blend top 3 model
blended = blendmodels(tunedmodels, method='soft')
6. Evaluasi
plotmodel(blended, plot='auc', save=True)
plotmodel(blended, plot='confusionmatrix', save=True)
plotmodel(blended, plot='feature', save=True)
7. Finalisasi
final = finalizemodel(blended)
8. Simpan
savemodel(final, 'creditscoringmodel')
9. Test pada data baru
newdata = pd.readcsv('newapplications.csv')
results = predictmodel(final, data=newdata)
print(results[['predictionlabel', 'predictionscore']])
Kesimpulan
PyCaret adalah alat yang sangat berguna untuk mempercepat workflow machine learning. Keunggulan utamanya meliputi:
- Rapid Prototyping: Bandingkan puluhan model dengan satu fungsi
- Low-Code: Kurangi boilerplate code secara drastis
- Preprocessing Otomatis: Handle missing values, encoding, scaling secara otomatis
- Integrasi MLflow: Experiment tracking built-in
- Deployment Mudah: Deploy ke AWS, GCP, atau Azure dengan satu fungsi
- Modular: Tersedia modul untuk classification, regression, clustering, anomaly detection, time series, dan NLP
PyCaret paling cocok digunakan untuk fase eksplorasi dan prototyping. Untuk production system yang memerlukan optimasi granular, Anda mungkin tetap perlu menulis pipeline custom. Namun sebagai starting point untuk menemukan model dan preprocessing terbaik, PyCaret sulit ditandingi.
Mulailah dengan comparemodels() untuk mendapatkan baseline, lalu iterasi dari situ. Gabungkan dengan MLflow untuk tracking eksperimen Anda secara sistematis. Dengan pendekatan ini, Anda bisa membangun model ML berkualitas produksi dalam waktu yang jauh lebih singkat dibanding pendekatan tradisional.