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

Python code to compute and plot (truncated, weighted) area under gain curves (agc)

ویژگی	مقدار
سیستم عامل	-
نام فایل	agc-0.0.5
نام	agc
نسخه کتابخانه	0.0.5
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	François Théberge
ایمیل نویسنده	theberge@ieee.org
آدرس صفحه اصلی	https://github.com/ftheberge/agc
آدرس اینترنتی	https://pypi.org/project/agc/
مجوز	MIT

# AGC - Area under Gain Curves Python code to compute and plot (truncated, weighted) area under gain curves (**AGC**) For binary classification, gain curves are a nice alternative to ROC curves in that they can naturally be **truncated** to focus on the top scoring points only. Moreover, the data points can have **weights**. In this code, we provide two functions: * `agc_score`: Compute the area under the gain curve (AGC) for binary labelled data * `gain_curve`: Compute the proportion of data points and true positive rate for all thresholds, for plotting The first function returns the **normalized area** by default (improvement over random, so this could be negative). The functions can be imported from the supplied `agc.py` file, or installed via `pip install agc`. ## A simple example ``` ## create toy binary labels and scores for illustration labels = np.concatenate((np.repeat(1,100),np.repeat(0,900))) scores = np.concatenate((np.random.uniform(.4,.8,100),np.random.uniform(.2,.6,900))) ## compute (normalized) area under the gain curve print(agc_score(labels, scores)) ## compute (un-normalized) area under the gain curve print(agc_score(labels, scores, normalized=False)) ## now the area for the top scoring 10% of the points print(agc_score(labels, scores, truncate=0.1)) ## or top scoring 100 points print(agc_score(labels, scores, truncate=100)) ``` ## More details in Notebooks: For a quick introduction, see the following notebook: https://github.com/ftheberge/agc/blob/main/agc/agc_intro.ipynb also available in markup format: https://github.com/ftheberge/agc/blob/main/intro/agc_intro.md For more details, see the notebook: https://github.com/ftheberge/agc/blob/main/agc/agc.ipynb also available in markup format: https://github.com/ftheberge/agc/blob/main/example/agc.md

نیازمندی

مقدار	نام
-	numpy
-	pandas
-	scipy

زبان مورد نیاز

مقدار	نام
>=3.6	Python

نحوه نصب

نصب پکیج whl agc-0.0.5:

pip install agc-0.0.5.whl

نصب پکیج tar.gz agc-0.0.5:

pip install agc-0.0.5.tar.gz