معرفی شرکت ها
automl-alex-2023.3.9
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
State-of-the art Automated Machine Learning python library for Tabular Data
| ویژگی | مقدار |
|---|---|
| سیستم عامل | - |
| نام فایل | automl-alex-2023.3.9 |
| نام | automl-alex |
| نسخه کتابخانه | 2023.3.9 |
| نگهدارنده | [] |
| ایمیل نگهدارنده | [] |
| نویسنده | Alex-Lekov |
| ایمیل نویسنده | 61644712+Alex-Lekov@users.noreply.github.com |
| آدرس صفحه اصلی | - |
| آدرس اینترنتی | https://pypi.org/project/automl-alex/ |
| مجوز | MIT |
<h3 align="center">AutoML Alex</h3>
<div align="center">
[](https://pepy.tech/project/automl-alex)
[](https://www.codefactor.io/repository/github/alex-lekov/automl_alex)
[](https://t.me/automlalex)
[](/LICENSE)
</div>
---
<p align="center"> State-of-the art Automated Machine Learning python library for Tabular Data</p>
## Works with Tasks:
- [x] Binary Classification
- [x] Regression
- [ ] Multiclass Classification (in progress...)
### Benchmark Results
<img width=800 src="https://github.com/Alex-Lekov/AutoML-Benchmark/blob/master/img/Total_SUM.png" alt="bench">
The bigger, the better
From [AutoML-Benchmark](https://github.com/Alex-Lekov/AutoML-Benchmark/)
### Scheme
<img width=800 src="https://github.com/Alex-Lekov/AutoML_Alex/blob/develop/examples/img/shema.png" alt="scheme">
# Features
- Automated Data Clean (Auto Clean)
- Automated **Feature Engineering** (Auto FE)
- Smart Hyperparameter Optimization (HPO)
- Feature Generation
- Feature Selection
- Models Selection
- Cross Validation
- Optimization Timelimit and EarlyStoping
- Save and Load (Predict new data)
# Installation
```python
pip install automl-alex
```
# Docs
[DocPage](https://alex-lekov.github.io/AutoML_Alex/)
# 🚀 Examples
Classifier:
```python
from automl_alex import AutoMLClassifier
model = AutoMLClassifier()
model.fit(X_train, y_train, timeout=600)
predicts = model.predict(X_test)
```
Regression:
```python
from automl_alex import AutoMLRegressor
model = AutoMLRegressor()
model.fit(X_train, y_train, timeout=600)
predicts = model.predict(X_test)
```
DataPrepare:
```python
from automl_alex import DataPrepare
de = DataPrepare()
X_train = de.fit_transform(X_train)
X_test = de.transform(X_test)
```
Simple Models Wrapper:
```python
from automl_alex import LightGBMClassifier
model = LightGBMClassifier()
model.fit(X_train, y_train)
predicts = model.predict_proba(X_test)
model.opt(X_train, y_train,
timeout=600, # optimization time in seconds,
)
predicts = model.predict_proba(X_test)
```
More examples in the folder ./examples:
- [01_Quick_Start.ipynb](https://github.com/Alex-Lekov/AutoML_Alex/blob/master/examples/01_Quick_Start.ipynb) [](http://colab.research.google.com/github/Alex-Lekov/AutoML_Alex/blob/master/examples/01_Quick_Start.ipynb)
- [02_Data_Cleaning_and_Encoding_(DataPrepare).ipynb](https://github.com/Alex-Lekov/AutoML_Alex/blob/master/examples/02_Data_Cleaning_and_Encoding_(DataPrepare).ipynb) [](http://colab.research.google.com/github/Alex-Lekov/AutoML_Alex/blob/master/examples/02_Data_Cleaning_and_Encoding_(DataPrepare).ipynb)
- [03_Models.ipynb](https://github.com/Alex-Lekov/AutoML_Alex/blob/master/examples/03_Models.ipynb) [](http://colab.research.google.com/github/Alex-Lekov/AutoML_Alex/blob/master/examples/03_Models.ipynb)
- [04_ModelsReview.ipynb](https://github.com/Alex-Lekov/AutoML_Alex/blob/master/examples/04_ModelsReview.ipynb) [](http://colab.research.google.com/github/Alex-Lekov/AutoML_Alex/blob/master/examples/04_ModelsReview.ipynb)
- [05_BestSingleModel.ipynb](https://github.com/Alex-Lekov/AutoML_Alex/blob/master/examples/05_BestSingleModel.ipynb) [](http://colab.research.google.com/github/Alex-Lekov/AutoML_Alex/blob/master/examples/05_BestSingleModel.ipynb)
- [Production Docker template](https://github.com/Alex-Lekov/AutoML_Alex/blob/master/examples/prod_sample)
# What's inside
It integrates many popular frameworks:
- scikit-learn
- XGBoost
- LightGBM
- CatBoost
- Optuna
- ...
# Works with Features
- [x] Categorical Features
- [x] Numerical Features
- [x] Binary Features
- [ ] Text
- [ ] Datetime
- [ ] Timeseries
- [ ] Image
# Note
- **With a large dataset, a lot of memory is required!**
Library creates many new features. If you have a large dataset with a large number of features (more than 100), you may need a lot of memory.
# Realtime Dashboard
Works with [optuna-dashboard](https://github.com/optuna/optuna-dashboard)
<img width=800 src="https://github.com/Alex-Lekov/AutoML_Alex/blob/develop/examples/img/dashboard.gif" alt="Dashboard">
Run
```console
$ optuna-dashboard sqlite:///db.sqlite3
```
# Road Map
- [x] Feature Generation
- [x] Save/Load and Predict on New Samples
- [x] Advanced Logging
- [x] Add opt Pruners
- [ ] Docs Site
- [ ] DL Encoders
- [ ] Add More libs (NNs)
- [ ] Multiclass Classification
- [ ] Build pipelines
# Contact
[Telegram Group](https://t.me/automlalex)
نیازمندی
| مقدار | نام |
|---|---|
| >=1.18,<2.0 | numpy |
| >=1.5.3,<2.0.0 | pandas |
| >=1.2.2,<2.0.0 | scikit-learn |
| >=0.12.2,<0.13.0 | seaborn |
| >=3.3.5,<4.0.0 | lightgbm |
| >=1.1.1,<2.0.0 | catboost |
| >=1.7.4,<2.0.0 | xgboost |
| >=4.65.0,<5.0.0 | tqdm |
| >=3.1.0,<4.0.0 | optuna |
| >=2.6.0,<3.0.0 | category-encoders |
| >=0.8.1,<0.9.0 | optuna-dashboard |
| >=0.6.0,<0.7.0 | loguru |
| >=5.9.4,<6.0.0 | psutil |
| >=5.7.3,<6.0.0 | nbformat |
زبان مورد نیاز
| مقدار | نام |
|---|---|
| >=3.8,<3.11 | Python |
نحوه نصب
نصب پکیج whl automl-alex-2023.3.9:
pip install automl-alex-2023.3.9.whl
نصب پکیج tar.gz automl-alex-2023.3.9:
pip install automl-alex-2023.3.9.tar.gz