معرفی شرکت ها
auto-modelling-1.2.5
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
A light package for automatic model tuning and stacking
| ویژگی | مقدار |
|---|---|
| سیستم عامل | - |
| نام فایل | auto-modelling-1.2.5 |
| نام | auto-modelling |
| نسخه کتابخانه | 1.2.5 |
| نگهدارنده | [] |
| ایمیل نگهدارنده | [] |
| نویسنده | Tang Han |
| ایمیل نویسنده | aloofness54@gmail.com |
| آدرس صفحه اصلی | https://github.com/TangHan54/auto-modelling.git |
| آدرس اینترنتی | https://pypi.org/project/auto-modelling/ |
| مجوز | - |
# auto-modelling
Auto-modelling is a convenient library to train and tune machine models automatically.
Its main features include the following:
1. preprocessing columns in all datatypes. (numeric, categorical, text)
2. train machine models and tune parameters automatically.
3. return top n best models with optimized parameters.
4. Apply **stacking** technique to combine the n best models returned by the repo or self-determined fitted models together to get an even better result.
The machine learning models include the following:
- Classification:
- ExtraTreesClassifier
- RandomForestClassifier
- KNeighborsClassifier
- LogisticRegression
- XGBClassifier
- Regression:
- ExtraTreesRegressor
- GradientBoostingRegressor
- AdaBoostRegressor
- DecisionTreeRegressor
- RandomForestRegressor
- XGBRegressor
- Stack:
- for classify: LogisticRegression
- for regression: LinearRegression
reference: https://github.com/EpistasisLab/tpot/blob
# Installation
`pip install auto-modelling`
# Usage Example
```
from auto_modelling.classification import GoClassify
from auto_modelling.regression import GoRegress
from auto_modelling.preprocess import DataManager
from auto_modelling.stack import Stack
# preprocessing data
dm = DataManager(directory = 'preprocess_tools')
train, test = dm.drop_sparse_columns(x_train, x_test)
train, test = dm.process_data(x_train, x_test)
# the encoders are stored in the directory called data_process_tools.
# use the same processing tools to process new data
predict_data = dm.process_predict_data(predict_x)
# predict_x should have the same format as x_train/x_test
# classification
clf = GoClassify(n_best=1)
best = clf.train(x_train, y_train)
y_pred = best.predict(x_test)
# regression
reg = GoRegress(n_best=1)
best = reg.train(x_train, y_train)
y_pred = best.predict(x_test)
# get top 3 best models
clf = GoClassify(n_best=3)
bests = clf.train(x_train, y_train)
y_preds = [m.predict(x_test) for m in bests]
# Stack top 3 best models
stack = Stack(n_models = 3)
level_0_models, level_1_model = stack.train(x_train, y_train, x_test, y_test)
```
There are examples `test.py` and `sample.py` in the root directory of this package. run
`python test.py`/`python sample.py`.
# Development Guide
- Clone the repo
- Create the virtual environment
```
mkvirtualenv auto
workon auto
pip install requirements.txt
```
if you have issues in installing `xgboost`
refrence:
https://xgboost.readthedocs.io/en/latest/build.html#
https://www.ibm.com/developerworks/community/blogs/jfp/entry/Installing_XGBoost_on_Mac_OSX?lang=en
# Note
- TO DO: Feature selection, evaluation metricss
# Thoughts
- Ideally, any dataframe being throw into this repo, it should be processed.
1. pre-processing
- drop column that have too many null(Done)
- fill na for both numeric and non-numeric values(Done)
- encoded for non-numeric values(Done)
- scale values if needed
- balance the dataset if needed
2. model-training
- mode = `classification`, `regression`, `auto`(Done)
- split data-set
- tuning parameters and model selection (Done)
- feature selection
- return a model with parameters, columns and a script to process x_test(Done)
- stacking with customized fitted models (Done)
3. model-evualation
# Other reference
[Packaging your project](https://packaging.python.org/tutorials/packaging-projects/)
نیازمندی
| مقدار | نام |
|---|---|
| - | sklearn |
| - | ipython |
| - | numpy |
| - | pandas |
| - | setuptools |
| - | xgboost |
| - | joblib |
نحوه نصب
نصب پکیج whl auto-modelling-1.2.5:
pip install auto-modelling-1.2.5.whl
نصب پکیج tar.gz auto-modelling-1.2.5:
pip install auto-modelling-1.2.5.tar.gz