معرفی شرکت ها
Auto-ML-C-0.0.9
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشترتوضیحات
A small example package
| ویژگی | مقدار |
|---|---|
| سیستم عامل | - |
| نام فایل | Auto-ML-C-0.0.9 |
| نام | Auto-ML-C |
| نسخه کتابخانه | 0.0.9 |
| نگهدارنده | [] |
| ایمیل نگهدارنده | [] |
| نویسنده | Cui Zy |
| ایمیل نویسنده | 1776228595@qq.com |
| آدرس صفحه اصلی | https://github.com/SynchronyML/Auto_ML |
| آدرس اینترنتی | https://pypi.org/project/Auto-ML-C/ |
| مجوز | - |
**Auto_ML_C 0.0.10**
# Illustrate：
这是崔连山和小伙伴们的机器学习拓展包，代有浓厚的社会主义开源分享精神，极富创造力和战斗力。在这里让我们为他们鼓掌 :clinking_glasses:
## Spend
测试集数据位置：{Example}
配置如下：
| | Windows | Windows | MacOS | Linux |
| ---- | ----------- | ----------- | ----- | ------------ |
| 型号 | i7-9750H | i7-9750H | M1 | E5-2640 V4 |
| 核心 | 6核心12线程 | 6核心12线程 | 8核心 | 20核心40线程 |
| 频率 | 2.67GHz | 3.2GHz | | 2.40GHz |
运行速度对比结果如下：
| 未集成 | Windows1 | Windows2 | MacOS | Linux |
| ------------------- | -------- | --------- | ---------- | ---------- |
| ALL_FUNCTION | 47.364 | 43.681 | 34.013 | ==27.282== |
| binary_ROC() | 45.809 | 42.964 | 32.751 | ==32.143== |
| auto_model() | 53.498 | 48.649 | ==38.267== | 40.794 |
| estimator_violion() | 1.191 | ==1.021== | 1.678 | 2.395 |
| 集成 | Windows1 | Windows2 | MacOS | Linux |
| ------------------- | -------- | --------------------- | ------------------------------------------------------------ | ------------------------------------------------------------ |
| binary_ROC() | 46.2 s | 43.2 s | CPU times: user 4.82 s, sys: 365 ms, total: 5.18 s Wall time: ==32.9s== | CPU times: user 9.59 s, sys: 3.89 s, total: 13.5 s Wall time: 33.3 s |
| auto_model() | 50.4 s | 47.1 s | CPU times: user 9.75 s, sys: 247 ms, total: 10 s Wall time: ==38.1 s== | CPU times: user 15.1 s, sys: 1.68 s, total: 16.8 s Wall time: 41.1 s |
| estimator_violion() | 1.16 s | Wall time: ==1.01 s== | CPU times: user 2.02 s, sys: 70.1 ms, total: 2.09 s Wall time: 1.69 s | CPU times: user 3.85 s, sys: 2.32 s, total: 6.17 s Wall time: 2.23 s |
## Request_install
可以参考学习当前目录下的环境备份：Auto_ML_C.yaml
主要是涉及到的软件如下：
| Package | 最低版本——待检测 |
| ---------------- | ---------------- |
| python=3.8.10 | |
| seaborn=0.11.2 | |
| pandas=1.3.3 | |
| matplotlib=3.4.2 | |
| numpy=1.20.3 | |
# Content:
该包是基于Sklearn，imblance等机器学习拓展包之上的Package，共计划分为两个部分，
- 分类任务
1. binary_classfication.py
内部可用函数如下
| 函数名 | 功能 | 返回值 |
| ----------------------------------------- | --------------------------------------- | ----------------------------------------------------- |
| cal_add_1(num1,num2):wave: | 简单的欢迎函数 | num1,num2 |
| LogisticRegressionCV_mdoel(X, Y,cv) | | |
| SGDClassifier_model(X,Y,cv) | | |
| LinearDiscriminantAnalysis_model(X, Y,cv) | | |
| LinearSVC_model(X, Y,cv) | | |
| SVC_model(X, Y,cv) | | |
| DecisionTreeClassifier_model(X,Y,cv) | | |
| AdaBoostClassifier_model(X,Y,cv) | | |
| BaggingClassifier_model(X, Y,cv) | | |
| GradientBoostingClassifier_model(X, Y,cv) | | |
| RandomForestClassifier_model(X, Y,cv) | | |
| KNeighborsClassifier_model(X, Y,cv) | | |
| BernoulliNB_model(X, Y,cv) | | |
| GaussianNB_model(X,Y,cv) | | |
| 下面是总函数 | | |
| binary_ROC(X,Y,k,fig_name) | 绘制标量超参数搜索下最佳的ROC | fig |
| auto_model(X, Y, k) | 模型的标量超参数搜索结果 | Auc_data, Acc_data, <br />Recall_data, Precision_data |
| estimator_violion(df1,df2,fig_name) | 为auto_model结果的Dataframe绘制小提琴图 | fig |
3. 多分类函数
等待
3. 特征筛选函数Feature_struction
4. waited
# How to Use
## Installation
```python
# Method 1
# Create a new environment, here is conda as an example
conda create --name Auto_ML_C python=3.8.10
# Activate the newly created environment
conda activate Auto_ML_C
# Installation package
pip install Auto_ML_C==0.0.8
# Suggest the pipeline of Jupyter notebook [optional, recommended]
conda install jupyter notebook
conda install ipykernel
python -m ipykernel install --user --name Auto_ML_C --display-name "Auto_ML_C"
# Install Sklearn 0.6. this will fixed next version
conda install -c conda-forge sklearn-contrib-lightning
# Method2
# Use the yaml environment file on the GitHub homepage to directly copy the current environment
conda env create -n Auto_ML_C -f Auto_ML_C.yaml
# Activate the newly created environment
conda activate
# Suggest the pipeline of Jupyter notebook [optional, recommended]
conda install jupyter notebook
conda install ipykernel
python -m ipykernel install --user --name Auto_ML_C --display-name "Auto_ML_C"
```
## Feature_struction
```python
#
```
## Binary Classication
```python
# Here is an example of the function binary_classfication_ws
# 这里以函数binary_classfication_ws举例
# 开始加载环境
import pandas as pd
import numpy as np
import auto_ml_c.binary_classfication as abc
# 读取测试数据
df = pd.read_csv("2_data_deal_smote.csv")
X = df.iloc[:,:-1]
Y = df["label"]
score = 'accuracy'
# The first function, draw ROC image
tmp_a = abc.binary_ROC(X,Y,cv,"111","accuracy")
# The second function, get Auc_data, Acc_data, Recall_data, Precision_data
tmp_b1,tmp_b2,tmp_b3,tmp_b4 = abc.auto_model(X,Y,cv,"accuracy")
# The third function, draw the evaluation graph obtained by function 2 auto_model
tmp_c = abc.estimator_violion(tmp_b1,tmp_b2,"Violionplot")
```
<img src="README_1/binary_ROC.png" alt="binary_ROC" style="zoom:50%;" />
# ConTact
VX：Cuizy13390906310_ic
QQ：1776228595
E-mail：1776228595@qq.com
GitHub：地址待填写
نیازمندی
| مقدار | نام |
|---|---|
| >=1.11.0 | numpy |
| >=0.11.2 | seaborn |
| >=1.3.3 | pandas |
| >=3.4.2 | matplotlib |
| >=1.4.0 | xgboost |
زبان مورد نیاز
| مقدار | نام |
|---|---|
| >=3.8.10 | Python |
نحوه نصب
نصب پکیج whl Auto-ML-C-0.0.9:
pip install Auto-ML-C-0.0.9.whl
نصب پکیج tar.gz Auto-ML-C-0.0.9:
pip install Auto-ML-C-0.0.9.tar.gz