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

Combination Dependent Learning to Rank

ویژگی	مقدار
سیستم عامل	-
نام فایل	cdl2r-0.1.2
نام	cdl2r
نسخه کتابخانه	0.1.2
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Moriaki Saigusa
ایمیل نویسنده	moriaki3193@gmail.com
آدرس صفحه اصلی	https://github.com/moriaki3193/cdl2r
آدرس اینترنتی	https://pypi.org/project/cdl2r/
مجوز	Type license() to see the full license text

# cdl2r Combination Dependent Learning to Rank (組合せ依存型ランキング学習). ## requirements - Python 3.6.x ~, 3.7.x ~ ## dependencies - NumPy - Pandas ## installation ```shell $ pip install cdl2r ``` ## usage ### 1. prepare your dataset The dataset format is like SVM-rank one. The difference is `eid` must be specified in a line. Here is a definition of a line. `|` symbol means `OR` (so `<str>|<int>` means the value must have either str or int type). ```txt <line> .=. <label> qid:<qid> eid:<eid> <features>#<comments> <label> .=. <float>|<str as a class> <qid> .=. <str>|<int> <eid> .=. <str>|<int> <features> .=. <dim>:<value> <dim> .=. <0 or Natural Number> <value> .=. <float> <comments> .=. <Any text will do> ``` Let me show you an example. ```txt 0.5 qid:1 eid:x 1:0.1 2:-0.2 3:0.3#comment A 0.0 qid:1 eid:y 1:-0.1 2:0.2 4:0.4 -0.5 qid:1 eid:z 2:-0.2 3:0.3 4:-0.4#comment C 0.5 qid:2 eid:y 1:0.1 2:-0.2 3:0.3 0.0 qid:2 eid:z 1:-0.1 2:0.2 4:0.4 -0.5 qid:2 eid:w 2:-0.2 3:0.3 4:-0.4#comment E ``` ### 2. loading your dataset ```python from cdl2r.dataset import load_data # loading dataset as a DataFrame object data_path = '/path/to/dataset' n_dimensions = 10 train = load_data(data_path, n_dimensions) # train.columns # >>> Index(['label', 'qid', 'eid', 'features'], dtype='object') ``` ### 3. fitting the model ```python from cdl2r.models import CDFMRegressor # define your model model = CDFMRegressor(n_factors=8, n_iterations=300, init_eta=1e-2) # fitting, printing out epoch losses if verbose is True model.fit(train, verbose=True) ``` ### 4. save the model ```python import pickle with open('/path/to/file.pkl', mode='wb') as fp: pickle.dump(model, fp) ``` ### 5. make prediction ```python # loading test dataset test = load_data(test_path, n_dimensions) pred = model.predict(test) # pred.columns # >>> Index(['pred_label', 'qid', 'eid', 'features'], dtype='object') ``` ## development ### build Cython modules ```shell $ python setup.py build_ext --inplace ``` ### profiling ```shell # decorate a method with `@profile` in a script where you want to profile. $ kernprof -l -v <script>.py ``` ### pylint - max-line-length: 130 - disable snake-case ### release ```shell # build $ python setup.py bdist_whell # testing upload $ twine upload --repository testpypi dist/<cdl2r-version-pkg> $ pip install --index-url https://test.pypi.org/simple/<cdl2r-version-pkg> # upload $ twine upload --repository pypi dist<cdl2r-version-pkg> ```

نیازمندی

مقدار	نام
-	numpy
-	pandas

نحوه نصب

نصب پکیج whl cdl2r-0.1.2:

pip install cdl2r-0.1.2.whl

نصب پکیج tar.gz cdl2r-0.1.2:

pip install cdl2r-0.1.2.tar.gz