معرفی شرکت ها
EvOAutoML-0.0.14
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
Online Automated Machine Learning for river
| ویژگی | مقدار |
|---|---|
| سیستم عامل | - |
| نام فایل | EvOAutoML-0.0.14 |
| نام | EvOAutoML |
| نسخه کتابخانه | 0.0.14 |
| نگهدارنده | [] |
| ایمیل نگهدارنده | [] |
| نویسنده | Cedric Kulbach |
| ایمیل نویسنده | cedric.kulbach@googlemail.com |
| آدرس صفحه اصلی | https://github.com/kulbachcedric/EvoAutoML |
| آدرس اینترنتی | https://pypi.org/project/EvOAutoML/ |
| مجوز | BSD-3 |
<p align="center">
<img height="150px" src="docs/img/logo.png" alt="incremental dl logo">
</p>
<p align="center">
EvO AutoML is a Python library for Evolution based Online AutoML.
EvO AutoML ambition is to enable hyperparameter optimization for <a href="https://www.wikiwand.com/en/Online_machine_learning">online machine learning</a> pipelines build on <a href="https://riverml.xyz/latest/">river</a>.
</p>
<p align="center">
<img alt="PyPI" src="https://img.shields.io/pypi/v/EvoAutoML">
<a href="https://codecov.io/gh/kulbachcedric/EvOAutoML" >
<img src="https://codecov.io/gh/kulbachcedric/EvOAutoML/branch/master/graph/badge.svg?token=7RIEXKNR6K"/>
</a>
<img alt="PyPI - Downloads" src="https://img.shields.io/pypi/dw/EvOAutoML">
<img alt="GitHub" src="https://img.shields.io/github/license/kulbachcedric/EvoAutoML">
</p>
# EvO AutoML
EvO AutoML is a Python library for Evolution based Online AutoML.
## 💈 Installation
Use the package manager [pip](https://pip.pypa.io/en/stable/) to install EvoAutoML.
```bash
pip install evoautoml
```
You can install the latest development version from GitHub as so:
```shell
pip install https://github.com/kulbachcedric/EvOAutoML//archive/refs/heads/master.zip
```
## 🍫 Quickstart
### Classification
```python
>>> from river import datasets, ensemble, evaluate, metrics, compose, optim
>>> from river import preprocessing, neighbors, naive_bayes, tree, linear_model
>>> from EvOAutoML import classification, pipelinehelper
>>> dataset = datasets.Phishing()
>>> model_pipeline = compose.Pipeline(
... ('Scaler', pipelinehelper.PipelineHelperTransformer([
... ('StandardScaler', preprocessing.StandardScaler()),
... ('MinMaxScaler', preprocessing.MinMaxScaler()),
... ('MinAbsScaler', preprocessing.MaxAbsScaler()),
... ])),
... ('Classifier', pipelinehelper.PipelineHelperClassifier([
... ('HT', tree.HoeffdingTreeClassifier()),
... ('LR', linear_model.LogisticRegression()),
... ('GNB', naive_bayes.GaussianNB()),
... ('KNN', neighbors.KNNClassifier()),
... ])))
>>> model = classification.EvolutionaryBaggingClassifier(
... model=model_pipeline,
... param_grid={
... 'Scaler': model_pipeline.steps['Scaler'].generate({}),
... 'Classifier': model_pipeline.steps['Classifier'].generate({
... 'HT__max_depth': [10, 30, 60, 10, 30, 60],
... 'HT__grace_period': [10, 100, 200, 10, 100, 200],
... 'HT__max_size': [5, 10],
... 'LR__l2': [.0,.01,.001],
... 'KNN__n_neighbors': [1, 5, 20],
... 'KNN__window_size': [100, 500, 1000],
... 'KNN__weighted': [True, False],
... 'KNN__p': [1, 2],
... })
... },
... seed=42
... )
>>> metric = metrics.F1()
>>> for x, y in dataset:
... y_pred = model.predict_one(x) # make a prediction
... metric = metric.update(y, y_pred) # update the metric
... model = model.learn_one(x,y) # make the model learn
```
## 📚 Cite
```
@inproceedings{DBLP:conf/pakdd/KulbachMBHB22,
author = {Cedric Kulbach and
Jacob Montiel and
Maroua Bahri and
Marco Heyden and
Albert Bifet},
editor = {Jo{\~{a}}o Gama and
Tianrui Li and
Yang Yu and
Enhong Chen and
Yu Zheng and
Fei Teng},
title = {Evolution-Based Online Automated Machine Learning},
booktitle = {Advances in Knowledge Discovery and Data Mining - 26th Pacific-Asia
Conference, {PAKDD} 2022, Chengdu, China, May 16-19, 2022, Proceedings,
Part {I}},
series = {Lecture Notes in Computer Science},
volume = {13280},
pages = {472--484},
publisher = {Springer},
year = {2022},
url = {https://doi.org/10.1007/978-3-031-05933-9\_37},
doi = {10.1007/978-3-031-05933-9\_37},
timestamp = {Tue, 17 May 2022 15:53:17 +0200},
biburl = {https://dblp.org/rec/conf/pakdd/KulbachMBHB22.bib},
bibsource = {dblp computer science bibliography, https://dblp.org}
}
```
## 🏫 Affiliations
<p align="center">
<img src="https://upload.wikimedia.org/wikipedia/de/thumb/4/44/Fzi_logo.svg/1200px-Fzi_logo.svg.png?raw=true" alt="FZI Logo" height="200"/>
</p>
نیازمندی
| مقدار | نام |
|---|---|
| ~=1.23.4 | numpy |
| ==1.0.2 | scikit-learn |
| ==1.1.1 | scikit-surprise |
| ~=1.3.2 | pandas |
| ~=0.10.1 | river |
| ~=4.61.2 | tqdm |
| ==7.0.1 | pytest |
| - | dataclasses |
| ~=1.23.4 | numpy |
| ==1.0.2 | scikit-learn |
| ==1.1.1 | scikit-surprise |
| ~=1.3.2 | pandas |
| ~=0.10.1 | river |
| ~=4.61.2 | tqdm |
| ==7.0.1 | pytest |
| >=0.10.1 | graphviz |
| >=3.0.2 | matplotlib |
| >=0.761 | mypy |
| >=2.9.2 | pre-commit |
| >=4.5.0 | pytest |
| >=2.6.1 | pytest-cov |
| >=0.22.1 | scikit-learn |
| >=1.4 | sqlalchemy |
| >=22.1.0 | black |
| >=4.0.1 | flake8 |
| >=5.9.3 | isort |
| >=1.0.0 | jupyter |
| ==3.2.0 | pyupgrade |
| >=2.0.2 | flask |
| >=6.9.0 | ipykernel |
| >=0.5.3 | mike |
| >=1.2.3 | mkdocs |
| >=2.7.0 | mkdocs-awesome-pages-plugin |
| >=0.3.5 | mkdocs-gen-files |
| >=0.4.1 | mkdocs-literate-nav |
| >=8.1.11 | mkdocs-material |
| >=0.19.0 | mkdocstrings[python] |
| >=0.5.0 | pytkdocs[numpy-style] |
| >=0.1.0 | ipython-genutils |
| >=0.20.0 | mkdocs-jupyter |
| >=6.4.2 | nbconvert |
| >=1.2 | numpydoc |
| >=3.2.2 | spacy |
| >=3.0.3 | jinja2 |
| ~=1.23.4 | numpy |
| ==1.0.2 | scikit-learn |
| ==1.1.1 | scikit-surprise |
| ~=1.3.2 | pandas |
| ~=0.10.1 | river |
| ~=4.61.2 | tqdm |
| ==7.0.1 | pytest |
| >=0.10.1 | graphviz |
| >=3.0.2 | matplotlib |
| >=0.761 | mypy |
| >=2.9.2 | pre-commit |
| >=4.5.0 | pytest |
| >=2.6.1 | pytest-cov |
| >=0.22.1 | scikit-learn |
| >=1.4 | sqlalchemy |
| >=22.1.0 | black |
| >=4.0.1 | flake8 |
| >=5.9.3 | isort |
| >=1.0.0 | jupyter |
| ==3.2.0 | pyupgrade |
| >=2.0.2 | flask |
| >=6.9.0 | ipykernel |
| >=0.5.3 | mike |
| >=1.2.3 | mkdocs |
| >=2.7.0 | mkdocs-awesome-pages-plugin |
| >=0.3.5 | mkdocs-gen-files |
| >=0.4.1 | mkdocs-literate-nav |
| >=8.1.11 | mkdocs-material |
| >=0.19.0 | mkdocstrings[python] |
| >=0.5.0 | pytkdocs[numpy-style] |
| >=0.1.0 | ipython-genutils |
| >=0.20.0 | mkdocs-jupyter |
| >=6.4.2 | nbconvert |
| >=1.2 | numpydoc |
| >=3.2.2 | spacy |
| >=3.0.3 | jinja2 |
زبان مورد نیاز
| مقدار | نام |
|---|---|
| >=3.6.0 | Python |
نحوه نصب
نصب پکیج whl EvOAutoML-0.0.14:
pip install EvOAutoML-0.0.14.whl
نصب پکیج tar.gz EvOAutoML-0.0.14:
pip install EvOAutoML-0.0.14.tar.gz