pycaret/pycaret

解决的问题

PyCaret 提供了一个完整的自托管机器学习平台，在单个集成环境中简化了整个 ML 生命周期——从数据上传、实验设计到模型注册和部署。它消除了手动管理 AutoML、实验追踪和模型服务等独立工具的需要。

工作原理

该平台由三个主要组件组成：

• Engine: 基于 scikit-learn 的 AutoML 库，负责实际的模型训练和选择。
• Control Plane: 一个 FastAPI 后端，用于管理工作区、项目、模型注册表、部署和监控。
• Web UI: 基于 React 的界面，允许用户通过点击操作而非 YAML 文件来配置实验和管理模型。

可以使用 Docker Compose 进行本地部署，运行包含 FastAPI 进程和 React 包的紧凑型设置，默认使用 SQLite 进行本地数据持久化。

适用对象

专为数据科学家和 ML 工程师设计，他们希望在笔记本电脑或小型团队的生产服务器上运行专业级 ML 平台，而无需复杂的架构设置。

亮点

• 端到端工作流：支持 Train $ ightarrow$ Register $ ightarrow$ Deploy $ ightarrow$ Predict 的完整循环。
• AutoML 能力：自动为分类、回归、聚类、异常检测和时间序列任务训练并排序多种算法。
• AI Copilots：集成了由 LLM 驱动的助手，用于数据集咨询和实验设计。
• 灵活的架构：设计上可以从单二进制本地设置扩展到使用存储、数据库和计算协议的分布式云架构。