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

The package annotlib is a library of techniques to simulate the labeling behaviour of real annotators.

ویژگی	مقدار
سیستم عامل	-
نام فایل	annotlib-1.0.0
نام	annotlib
نسخه کتابخانه	1.0.0
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Marek Herde
ایمیل نویسنده	marek.herde@uni-kassel.de
آدرس صفحه اصلی	https://annotlib.readthedocs.io/en/latest/overview.html
آدرس اینترنتی	https://pypi.org/project/annotlib/
مجوز	MIT

# annotlib: Simulation of Annotators authors: Marek Herde and Adrian Calma ![](https://github.com/acalma/annotlib/workflows/annotlib/badge.svg) # Introduction *annotlib* is a Python package for simulating annotators in an active learning setting. Solving classification problems by using supervised machine learning models requires samples assigned to class labels. However, labeling these samples causes costs (e.g. workload, time, etc.), so that active learning strategies aim at reducing these costs by selecting samples, which are the most useful for training a classifier. In real-world scenarios, human annotators are often responsible for providing the class labels. Unfortunately, there is no guaranty for the omniscience of such annotators. Hence, annotators are prone to error, respectively uncertain, so that the class labels assigned to samples may be false. The labeling performance of an annotator is affected by many factors, e.g. expertise, experience, concentration, level of fatigue and so on. Moreover, the difficulty of a sample influences the outcome of a labeling process. To evaluate an active learning strategy in the setting of uncertain annotators, class labels of these uncertain annotators are required to be available, but there is a lack of publicly accessible real-world data sets labeled by error-prone annotators. As a result, recently published active learning strategies are evaluated on simulated annotators where the used simulation techniques are diverse. Our developed *annotlib* Python package represents a of these techniques and implements additional methods, which simulate realistic characteristics of uncertain annotators. This way, we establish a library simplifying and standardising the evaluation of active learning strategies coping with uncertain annotators. For more information go to the [documentation](./docs/_build/html/index.html).

نیازمندی

مقدار	نام
-	numpy
-	scipy
-	scikit-learn
-	matplotlib
-	pandas
-	seaborn
-	numpy-indexed

نحوه نصب

نصب پکیج whl annotlib-1.0.0:

pip install annotlib-1.0.0.whl

نصب پکیج tar.gz annotlib-1.0.0:

pip install annotlib-1.0.0.tar.gz