معرفی شرکت ها
brew-0.1.4
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
BREW: Python Multiple Classifier System API
| ویژگی | مقدار |
|---|---|
| سیستم عامل | - |
| نام فایل | brew-0.1.4 |
| نام | brew |
| نسخه کتابخانه | 0.1.4 |
| نگهدارنده | [] |
| ایمیل نگهدارنده | [] |
| نویسنده | Dayvid Victor <victor.dvro@gmail.com>, Thyago Porpino <thyago.porpino@gmail.com> |
| ایمیل نویسنده | brew-python-devs@googlegroups.com |
| آدرس صفحه اصلی | https://github.com/viisar/brew |
| آدرس اینترنتی | https://pypi.org/project/brew/ |
| مجوز | MIT |
=============================
brew
=============================
.. image:: https://badge.fury.io/py/brew.png
:target: http://badge.fury.io/py/brew
.. image:: https://travis-ci.org/viisar/brew.png?branch=master
:target: https://travis-ci.org/viisar/brew
.. image:: https://landscape.io/github/viisar/brew/master/landscape.svg?style=flat
:target: https://landscape.io/github/viisar/brew/master
:alt: Code Health
.. image:: https://coveralls.io/repos/github/viisar/brew/badge.svg?branch=master
:target: https://coveralls.io/github/viisar/brew?branch=master
.. image:: https://badges.gitter.im/Join%20Chat.svg
:alt: Join the chat at https://gitter.im/viisar/brew
:target: https://gitter.im/viisar/brew?utm_source=badge&utm_medium=badge&utm_campaign=pr-badge&utm_content=badge
**brew: A Multiple Classifier Systems API**
| This project was started in 2014 by *Dayvid Victor* and *Thyago Porpino*
| for the Multiple Classifier Systems class at Federal University of Pernambuco.
| The aim of this project is to provide an easy API for Ensembling, Stacking,
| Blending, Ensemble Generation, Ensemble Pruning, Dynamic Classifier Selection,
| and Dynamic Ensemble Selection.
Features
===========
* General: Ensembling, Stacking and Blending.
* Ensemble Classifier Generators: Bagging, Random Subspace, SMOTE-Bagging, ICS-Bagging, SMOTE-ICS-Bagging.
* Dynamic Selection: Overall Local Accuracy (OLA), Local Class Accuracy (LCA), Multiple Classifier Behavior (MCB), K-Nearest Oracles Eliminate (KNORA-E), K-Nearest Oracles Union (KNORA-U), A Priori Dynamic Selection, A Posteriori Dynamic Selection, Dynamic Selection KNN (DSKNN).
* Ensemble Combination Rules: majority vote, min, max, mean and median.
* Ensemble Diversity Metrics: Entropy Measure E, Kohavi Wolpert Variance, Q Statistics, Correlation Coefficient p, Disagreement Measure, Agreement Measure, Double Fault Measure.
* Ensemble Pruning: Ensemble Pruning via Individual Contribution (EPIC).
Example
============
.. code-block:: python
import numpy as np
import matplotlib.pyplot as plt
import matplotlib.gridspec as gridspec
import itertools
import sklearn
from sklearn.linear_model import LogisticRegression
from sklearn.svm import SVC
from sklearn.ensemble import RandomForestClassifier
from brew.base import Ensemble, EnsembleClassifier
from brew.stacking.stacker import EnsembleStack, EnsembleStackClassifier
from brew.combination.combiner import Combiner
from mlxtend.data import iris_data
from mlxtend.evaluate import plot_decision_regions
# Initializing Classifiers
clf1 = LogisticRegression(random_state=0)
clf2 = RandomForestClassifier(random_state=0)
clf3 = SVC(random_state=0, probability=True)
# Creating Ensemble
ensemble = Ensemble([clf1, clf2, clf3])
eclf = EnsembleClassifier(ensemble=ensemble, combiner=Combiner('mean'))
# Creating Stacking
layer_1 = Ensemble([clf1, clf2, clf3])
layer_2 = Ensemble([sklearn.clone(clf1)])
stack = EnsembleStack(cv=3)
stack.add_layer(layer_1)
stack.add_layer(layer_2)
sclf = EnsembleStackClassifier(stack)
clf_list = [clf1, clf2, clf3, eclf, sclf]
lbl_list = ['Logistic Regression', 'Random Forest', 'RBF kernel SVM', 'Ensemble', 'Stacking']
# Loading some example data
X, y = iris_data()
X = X[:,[0, 2]]
# Plotting Decision Regions
gs = gridspec.GridSpec(2, 3)
fig = plt.figure(figsize=(10, 8))
itt = itertools.product([0, 1, 2], repeat=2)
for clf, lab, grd in zip(clf_list, lbl_list, itt):
clf.fit(X, y)
ax = plt.subplot(gs[grd[0], grd[1]])
fig = plot_decision_regions(X=X, y=y, clf=clf, legend=2)
plt.title(lab)
plt.show()
.. image:: https://raw.githubusercontent.com/viisar/brew/master/docs/sources/img/iris_decision_regions_2d.png
:alt: decision regions plots
:align: center
Dependencies
============
- Python 2.7+
- scikit-learn >= 0.15.2
- Numpy >= 1.6.1
- SciPy >= 0.9
- Matplotlib >= 0.99.1 (examples, only)
- mlxtend (examples, only)
Installing
==========
You can easily install brew using ``pip``::
pip install brew
or, if you prefer an up-to-date version, get it from here::
pip install git+https://github.com/viisar/brew.git
Important References
====================
- Kuncheva, Ludmila I. Combining pattern classifiers: methods and algorithms. John Wiley & Sons, 2014.
- Zhou, Zhi-Hua. Ensemble methods: foundations and algorithms. CRC Press, 2012.
Documentation
-------------
The full documentation is at http://brew.rtfd.org.
History
-------
0.1.0 (2014-11-12)
++++++++++++++++++
* First release on PyPI.
نحوه نصب
نصب پکیج whl brew-0.1.4:
pip install brew-0.1.4.whl
نصب پکیج tar.gz brew-0.1.4:
pip install brew-0.1.4.tar.gz