معرفی شرکت ها
beluga-ml-1.1.0
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 Python library to help make your Machine Learning easier
| ویژگی | مقدار |
|---|---|
| سیستم عامل | - |
| نام فایل | beluga-ml-1.1.0 |
| نام | beluga-ml |
| نسخه کتابخانه | 1.1.0 |
| نگهدارنده | [] |
| ایمیل نگهدارنده | [] |
| نویسنده | Data Science with Daniel |
| ایمیل نویسنده | - |
| آدرس صفحه اصلی | https://github.com/datasciencewithdaniel/beluga |
| آدرس اینترنتی | https://pypi.org/project/beluga-ml/ |
| مجوز | GPL-3.0 |
# Beluga - make predictions, get metrics
[](https://github.com/datasciencewithdaniel/beluga/blob/main/LICENSE)
[](https://github.com/psf/black)
[](https://github.com/datasciencewithdaniel/beluga/commits/main)
[](https://github.com/datasciencewithdaniel/beluga/graphs/contributors)
[]()
[](https://github.com/datasciencewithdaniel/beluga/issues)
[](https://discord.gg/D3KfXbdZgk)
Beluga is a Python library that provides easy access to all of the metrics you need in your multiclass classification tasks. We were inspired by [this](https://www.youtube.com/watch?v=0qRgWubbPxQ) friendly Beluga whale to help others in their Machine Learning projects.
Check out the [Issues](https://github.com/datasciencewithdaniel/beluga/issues) for future functionality and progress such as support for regression tasks and metric visualisations.
The official PyPi release can be found [here](https://pypi.org/project/beluga-ml/#description).
## Overview
- Get various metrics on your Machine Learning predictions
- Print your metrics or incorporate them into downstream analysis
- Visualise your metrics (Coming Soon)
## Installation
To install this library you can use Pypi via pip
```
pip install beluga_ml
```
## Usage
Import beluga into your project
```py
import beluga
```
## Documentation
Methods in metrics have following parameters:
* **predictions** - (Iterable) predictions output from your model
* **ground_truth** - (Iterable) ground truth values to compare against
* **raw** - (bool). *Optional*. Use to get metrics in a dictionary instead of printing. Default: *False*.
### Methods list:
**true_positive**: Number of correctly classified labels of the positive class
**true_negative**: Number of correctly classified labels of the negative class
**false_positive**: Number of incorrectly classified labels of the postive class
**false_negative**: Number of incorrectly classified labels of the negative class
**precision**: Percentage of positive class predictions that are correct
**recall**: Percentage of correctly classified labels from the positive class
**sensitivity**: (see recall)
**specificity**: Percentage of correctly classified labels from the negative class
**f1**: The harmomic mean of precision and recall
**accuracy**: Percentage of correctly classified labels
### Examples
```
beluga.metrics.true_positive([1, 1, 1, 0, 0], [1, 0, 1, 0, 0])
>>> True Positive
==============
0 2.0000
1 2.0000
==============
beluga.metrics.recall(['cat', 'dog', 'dog'], ['cat', 'dog', 'dog'])
>>> Recall
==============
cat 1.0000
dog 1.0000
==============
beluga.metrics.f1(['Elon Musk', 'Tim Cook', 'robot'], ['Elon Musk', 'Tim Cook', 'Mark Zuckerberg'])
>>> F1 score
========================
Elon Musk 1.0000
Mark Zuckerberg 0.0000
Tim Cook 1.0000
========================
```
## Running Code
Run the code from the home direcotry for any development as follows:
```
python -m beluga.metrics
```
This should return nothing as all development tests have been removed.
## Tests
Run the tests from the library home directory with the following:
```
python -m setup pytest
```
Check the coverage of these tests using:
```
pytest --cov=beluga tests/ --cov-report term-missing
```
## License
GPL-3.0 License
#
Beluga uses open source packages to work properly:
* [numpy](https://github.com/numpy/numpy) - The fundamental package for scientific computing with Python.
And of course **beluga** itself is open source with a [public repository](https://github.com/datasciencewithdaniel/beluga) on GitHub.
نیازمندی
| مقدار | نام |
|---|---|
| - | numpy |
نحوه نصب
نصب پکیج whl beluga-ml-1.1.0:
pip install beluga-ml-1.1.0.whl
نصب پکیج tar.gz beluga-ml-1.1.0:
pip install beluga-ml-1.1.0.tar.gz