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

Bayesian Optimization + Gradient Boosted Trees

ویژگی	مقدار
سیستم عامل	-
نام فایل	bonsai-tree-1.2
نام	bonsai-tree
نسخه کتابخانه	1.2
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Landon Buechner
ایمیل نویسنده	mechior.magi@gmail.com
آدرس صفحه اصلی	https://github.com/magi-1/bonsai
آدرس اینترنتی	https://pypi.org/project/bonsai-tree/
مجوز	MIT

# Bonsai: Gradient Boosted Trees + Bayesian Optimization Bonsai is a wrapper for the XGBoost and Catboost model training pipelines that leverages Bayesian optimization for computationally efficient hyperparameter tuning. Depsite it being a very small package, it has access to nearly all of the configurable parameters in XGBoost and CatBoost as well as the Bayesian Optimization package allowing users to configure unique objectives, metrics, parameter search ranges, and search policies. This is made possible thanks to the strong similaries between both libraries. ## Why use Bonsai? Grid search and random search are the most commonly used algorithms for exploring the hyperparameter space for a wide range of machine learning models. While effective for optimizing over low dimensional hyperparameter spaces (ex: few regularization terms), these methods do not scale well to tuning models with a large number of hyperparameters. Bayesian optimization on the other hand *dynamically* samples from the hyperparameter space with the goal of minimizing uncertaintly about the underlying objective function. For the case of model optimization, this is consists of *iteratively* building a prior distribution of functions over the hyperparameter space and sampling with the goal of minimizing the posterior variance of the loss surface. ## Tutorial At the moment Bonsai is solely a wrapper for XGBoost and CatBoost. Naturally, to use either library you must do the usual preprocessing so that your training data is compatible. Below are few examples that demonstrate a basic work flow with Bonsai. ### Encodings Words ### Model Configuration Bonsai provides this functionality while allowing users to easily set up gradient boosted tree models via 3 simple parameter dictionarys: model_config, cv_config, and pbounds. ### Tuning and Predictions optimize + predict + results df display ### Additional Features parallel coordinates + ask for contributors <div align="center"> <img src="https://github.com/magi-1/bonsai/blob/199a4aa92d4ffcba98ec259671413d711ebe8f70/images/bebop1.gif" style="max-height:50%;max-width:50%"></img> </div>

نیازمندی

مقدار	نام
>=0.90	xgboost
>=0.26	catboost
>=1.2.0	bayesian-optimization
>=1.19.5	numpy
>=1.1.5	pandas
>=3.2.2	matplotlib
>=0.11.1	seaborn
>=4.4.1	plotly
>=5.4.1	pyyaml

نحوه نصب

نصب پکیج whl bonsai-tree-1.2:

pip install bonsai-tree-1.2.whl

نصب پکیج tar.gz bonsai-tree-1.2:

pip install bonsai-tree-1.2.tar.gz