pycaret是封装深、默认行为强的低代码框架，setup()自动完成缺失值填充、编码、标准化、分层抽样和特征过滤；compare_models()默认用accuracy/r2评估且预处理统一，易掩盖建模问题；需手动指定关键参数并用finalize_model()导出方可安全部署。

PyCaret 不是“自动选模型”的万能开关，它是一套封装极深、默认行为强的低代码框架——用得好能省 80% 时间，用得莽撞反而会掩盖关键建模决策。

PyCaret 的 setup() 实际上做了什么

它不是简单划分数据，而是一次性执行了：

• 缺失值填充（数值列用中位数、分类列用众数，不可关）
• 类别型变量自动编码（OrdinalEncoder 或 OneHotEncoder，取决于基数）
• 数值特征标准化（默认 StandardScaler，不支持 MinMaxScaler 一键切换）
• 分层抽样（train_size=0.7 且强制 stratify=y，无法关闭）
• 特征忽略逻辑（若某列方差为 0 或唯一值占比 > 95%，会被静默丢弃）

这些操作全在 setup() 内部完成，不打印中间步骤。你看到的 print(setup_df) 输出只是结果快照，不是可追溯的日志。

为什么 compare_models() 推荐的模型可能不靠谱

• 它默认只用 cross_validation=True + fold=10，但评估指标固定为：Accuracy（分类）或 R2（回归），不支持自定义 scorer
• 所有模型统一用相同预处理流水线，意味着：一个本该用 RobustScaler 处理异常值的模型，也被迫用了 StandardScaler
• 某些模型（如 catboost）在 compare_models() 中默认禁用类别列识别，除非你显式传 categorical_features 参数
• 它会跳过训练失败的模型（比如 XGBoost 在小样本上因 early stopping 报错），但只发 warning，不报 error，容易漏看

如何避免被默认值带偏

• 强制指定关键参数，而不是依赖默认：

  

  Claw Code Suite (Python-Only Edition)

  仅使用 Python 将 Claw Code 虚拟化框架与 OpenClaw 集成，提供 184 种工具和 200 多条命令，用于安全分析和代码质量...

  下载
  • setup(..., normalize=True, normalize_method='zscore', silent=True) —— 明确归一化方式，关掉冗余输出
  • compare_models(sort='f1', n_select=3) —— 按业务指标排序，不止看 top1
  • create_model('rf', max_depth=10, n_estimators=200) —— 后续调参时必须用 create_model 而非再进 compare_models

• 导出模型前务必验证原始 pipeline：

  model = create_model('lr')
  get_config('X_train')  # 看它到底用了什么 X
  get_config('y_train')  # 看标签是否被重编码过
  

• 它生成的 predict_model() 默认走完整 pipeline（含预处理+预测），但如果你要部署到生产环境，不能直接 pickle 这个对象——必须用 finalize_model() 后再保存，否则线上 inference 会因缺失 setup 上下文而失败。

真正难的从来不是“哪个模型分数高”，而是“这个分数是在什么数据形态和评估口径下算出来的”。PyCaret 把太多东西藏在黑盒里，一旦你没手动 inspect 每一层，就等于把模型可信度交给了它的默认策略。

Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！