معرفی شرکت ها

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 بیشتر

توضیحات

Tools for getting analysis of all classifiers and regressors

ویژگی	مقدار
سیستم عامل	-
نام فایل	AutoClassifierRegressor-0.0.6
نام	AutoClassifierRegressor
نسخه کتابخانه	0.0.6
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Anagha Bhople
ایمیل نویسنده	Anagha Bhople <bhoplea34@gmail.com>, Swapnil Dewalkar <swapnildewalkar1995@gmail.com>
آدرس صفحه اصلی	https://github.com/anagha-bhople/auto_classifier_regressor
آدرس اینترنتی	https://pypi.org/project/AutoClassifierRegressor/
مجوز	MIT License Copyright (c) [2022] [Anagha Bhople] Permission is hereby granted, free of charge, to any person obtaining a copy of this software and associated documentation files (the "Software"), to deal in the Software without restriction, including without limitation the rights to use, copy, modify, merge, publish, distribute, sublicense, and/or sell copies of the Software, and to permit persons to whom the Software is furnished to do so, subject to the following conditions: The above copyright notice and this permission notice shall be included in all copies or substantial portions of the Software. THE SOFTWARE IS PROVIDED "AS IS", WITHOUT WARRANTY OF ANY KIND, EXPRESS OR IMPLIED, INCLUDING BUT NOT LIMITED TO THE WARRANTIES OF MERCHANTABILITY, FITNESS FOR A PARTICULAR PURPOSE AND NONINFRINGEMENT. IN NO EVENT SHALL THE AUTHORS OR COPYRIGHT HOLDERS BE LIABLE FOR ANY CLAIM, DAMAGES OR OTHER LIABILITY, WHETHER IN AN ACTION OF CONTRACT, TORT OR OTHERWISE, ARISING FROM, OUT OF OR IN CONNECTION WITH THE SOFTWARE OR THE USE OR OTHER DEALINGS IN THE SOFTWARE.

## Package Installation pip install AutoClassifierRegressor ## Package Import from AutoClassifierRegressor import regression_report_generation from AutoClassifierRegressor import classification_report_generation ## For Regression call this function with following parameters regression_report_generation(dataframe, "target name", path="desired folder name", saveModel=True, normalisation=True, preprocessing=True) #### Arguments 1. Dataframe name (required) 2. Target variable for regression (required) 3. path = name of folder (optional) 4. saveModel = if set as True then all ML models will be saved in "Models" folder (optional) 5. normalisation = if set as True data will be normalised (optional) 6. preprocessing = if set as True then data will be preprocessed, which includes fillna and label encoding for categorical variables #### Example: df=pd.read_csv("/content/sample_data/california_housing_train.csv") regression_report_generation(df, "median_house_value", path="Housing_data", saveModel=True, normalisation=True) ## For Classification call this function with following parameters classification_report_generation(dataframe, "target label", n= no classes, path="desired folder name", saveModel=True, preprocessing=True) #### Arguments 1. Dataframe name (required) 2. Target variable for classification (required) 3. n=2 for binary classification (required) and n=no of classes for multiclass classification (required) 4. path = name of folder (optional) 5. saveModel = if set as True then all ML models will be saved in "Models" folder (optional) 6. preprocessing = if set as True then data will be preprocessed, which includes fillna and label encoding for categorical variables #### Example: df=pd.read_csv("data.csv") classification_report_generation(df, "diagnosis", n=2, path="binary_classification_reports", saveModel=True) df = pd.read_csv('Iris.csv') classification_report_generation(df, "Species", n=3, path="classification_model_Multiclass", saveModel=True) ## Output: 1. Output will be in the form of html file with tabular analyis of all important classifiers or regressors along with poular evaluation metrics. 2. Html file will be saved in current or in given path. 3. All ML models will be saved in /Models folder in current or in given path. ### Prerequisites: 1. Do necessary data processing for better results 2. Install all dependancies

نیازمندی

مقدار	نام
-	pandas
-	numpy
-	sklearn
-	xgboost
-	lightgbm
-	tensorflow
-	keras
-	catboost
-	plotly
-	joblib

زبان مورد نیاز

مقدار	نام
>=3.7	Python

نحوه نصب

نصب پکیج whl AutoClassifierRegressor-0.0.6:

pip install AutoClassifierRegressor-0.0.6.whl

نصب پکیج tar.gz AutoClassifierRegressor-0.0.6:

pip install AutoClassifierRegressor-0.0.6.tar.gz