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

A package to compute weight of evidence (WOE) and Information Value (IV) easily, with cross-features supported

ویژگی	مقدار
سیستم عامل	-
نام فایل	FastIV-0.1
نام	FastIV
نسخه کتابخانه	0.1
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	miaotianshi
ایمیل نویسنده	miaotianshi@126.com
آدرس صفحه اصلی	https://github.com/chinapnr/FastIV.git
آدرس اینترنتی	https://pypi.org/project/FastIV/
مجوز	-

## 使用指南 ### 安装可以选择通过`setup.py`安装或者通过`pip`安装 ``` cd fastiv python setup.py install ``` 或者 ``` pip install fastiv ``` ### 使用 `FastIV`支持便捷的`Information Value (IV)`计算，同时也支持交叉特征的计算。IV计算是通过使用决策树的方式，确定最终分箱的方法，从而计算出相应的IV值。通过使用交叉的方式，可以确定组合特征的IV值，从中可以选出更有效的特征，加入到模型中。这一方法的思想，借鉴于第四范式的“AutoCross”。其中特征之间的交叉过程，是通过决策树的分裂来实现的。同时，我们提供了将决策树按照一定格式输出的接口，可以方便的将分裂节点打印出来。使用该包的调用代码示例： ``` from fastiv import FastIV fiv = FastIV(criterion="entropy", min_samples_leaf=50, max_leaf_nodes=8, others_threshold=200) # 选择要交叉的特征 features = ['feature1', 'feature2'] # 计算iv和iv_dict iv, iv_dict = fiv.fast_iv(df[features], y) # 以DataFrame格式输出分箱情况 df_export = fiv.export(mode="df") # 输入特征，返回所属箱对应的节点索引 bins = fiv.transform(df[features].values) ``` 完整的代码可以参考`example.py`

نیازمندی

مقدار	نام
>=0.20.3	scikit-learn
>=0.25.1	pandas
>=1.16.2	numpy

نحوه نصب

نصب پکیج whl FastIV-0.1:

pip install FastIV-0.1.whl

نصب پکیج tar.gz FastIV-0.1:

pip install FastIV-0.1.tar.gz