معرفی شرکت ها
autotab-0.11
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
optimization of ML pipeline using hierarchical optimization method
| ویژگی | مقدار |
|---|---|
| سیستم عامل | - |
| نام فایل | autotab-0.11 |
| نام | autotab |
| نسخه کتابخانه | 0.11 |
| نگهدارنده | [] |
| ایمیل نگهدارنده | [] |
| نویسنده | Sara Iftikhar |
| ایمیل نویسنده | sara.rwpk@gmail.com |
| آدرس صفحه اصلی | https://github.com/Sara-Iftikhar/autotab |
| آدرس اینترنتی | https://pypi.org/project/autotab/ |
| مجوز | - |
[](https://autotab.readthedocs.io/en/latest/?badge=latest)
[](https://badge.fury.io/py/autotab)
[](https://zenodo.org/badge/latestdoi/433432707)
# autotab
optimize pipeline for any machine learning mdoel using hierarchical optimization
method for tabular datasets.
# Installation
This package can be installed using pip from pypi using following command
pip install autotab
or using github link for the latest code
python -m pip install git+https://github.com/Sara-Iftikhar/autotab.git
or using setup file, go to folder where this repoitory is downloaded
python setup.py install
# Example
Click here to
[](https://nbviewer.jupyter.org/github/Sara-Iftikhar/AutoTab/blob/master/notebooks/regression_cv.ipynb)
or cick here to
<a href="https://colab.research.google.com/github/Sara-Iftikhar/AutoTab/blob/master/notebooks/regression_cv.ipynb" target="_parent"><img src="https://colab.research.google.com/assets/colab-badge.svg" alt="open in colab"/></a>
```python
from ai4water.datasets import busan_beach
from skopt.plots import plot_objective
from autotab import OptimizePipeline
data = busan_beach()
input_features = data.columns.tolist()[0:-1]
output_features = data.columns.tolist()[-1:]
transformations = ['minmax', 'zscore', 'log', 'log10', 'sqrt', 'robust', 'quantile', 'none', 'scale']
pl = OptimizePipeline(
inputs_to_transform=data.columns.tolist()[0:-1],
parent_iterations=400,
child_iterations=20,
parent_algorithm='bayes',
child_algorithm="random",
cv_parent_hpo=True,
eval_metric='mse',
monitor=['r2', 'nse'],
input_transformations = transformations,
output_transformations = transformations,
models=[ "LinearRegression",
"LassoLars",
"Lasso",
"RandomForestRegressor",
"HistGradientBoostingRegressor",
"CatBoostRegressor",
"XGBRegressor",
"LGBMRegressor",
"GradientBoostingRegressor",
"ExtraTreeRegressor",
"ExtraTreesRegressor"
],
input_features=data.columns.tolist()[0:-1],
output_features=data.columns.tolist()[-1:],
cross_validator={"KFold": {"n_splits": 5}},
split_random=True,
)
```
get version information
```python
pl._version_info()
```
perform optimization
```python
results = pl.fit(data=data, process_results=False)
```
print optimization report
```python
print(pl.report())
```
show convergence plot
```python
pl.optimizer_._plot_convergence(save=False)
```
```python
pl.optimizer_._plot_parallel_coords(figsize=(16, 8), save=False)
```
```python
_ = pl.optimizer_._plot_distributions(save=False)
```
```python
pl.optimizer_.plot_importance(save=False)
```
```python
pl.optimizer_.plot_importance(save=False, plot_type="bar")
```
```python
_ = plot_objective(results)
```
```python
pl.optimizer._plot_evaluations(save=False)
```
```python
pl.optimizer._plot_edf(save=False)
```
```python
pl.dumbbell_plot(data=data)
```
```python
pl.dumbbell_plot(data=data, metric_name='r2')
```
```python
pl.taylor_plot(data=data, save=False, figsize=(6,6))
```
```python
pl.compare_models()
```
```python
pl.compare_models(plot_type="bar_chart")
```
```python
pl.compare_models("r2", plot_type="bar_chart")
```
get best pipeline with respect to evaluation metric
```python
pl.get_best_pipeline_by_metric('r2')
```
build fit and evaluate the best pipeline
```python
model = pl.bfe_best_model_from_scratch(data=data)
```
```python
pl.evaluate_model(model, data=data)
```
```python
pl.evaluate_model(model, data=data, metric_name='nse')
```
```python
pl.evaluate_model(model, data=data, metric_name='r2')
```
get best pipeline with respect to $R^2$
```python
pl.get_best_pipeline_by_metric('r2')
```
```python
model = pl.bfe_best_model_from_scratch(data=data, metric_name='r2')
```
```python
pl.evaluate_model(model, data=data, metric_name='r2')
```
```python
print(f"all results are save in {pl.path} folder")
```
نحوه نصب
نصب پکیج whl autotab-0.11:
pip install autotab-0.11.whl
نصب پکیج tar.gz autotab-0.11:
pip install autotab-0.11.tar.gz