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

Feature Selection and Elimination

ویژگی	مقدار
سیستم عامل	-
نام فایل	cefeste-1.0.3
نام	cefeste
نسخه کتابخانه	1.0.3
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	DAT/Mattia Centurelli
ایمیل نویسنده	DAT - Mattia Centurelli <mcenturelli@credem.it>
آدرس صفحه اصلی	https://dev.azure.com/credem-data/DAT/_git/ce-feste
آدرس اینترنتی	https://pypi.org/project/cefeste/
مجوز	-

# **C**redito **E**miliano - Fe**ature **S**election, **T**ransformation and **E**limination (CE - FeSTE) This repo contains the 'FeSTE' python package which helps in the features management from the pre-filtering to the pre-processing and feature elimination. # Installation To install it: 1) **Optional**: create a new Python virtual environment (through bash terminal run: "py -m venv your_env_name" and then "source your_env_name/Scripts/activate ) 2) Install the package: - User Mode: ```pip install ce-feste``` # Structure The .py package is stored in src and contains 3 sub-modules: - **selection**: contains the feature preliminary selection functions - **transform**: contains the feature pre-processing functions - **elimination**: contains the feature elimination functions # Filters ## Selection - Univariate filters: - No constant features - Number of distinct value too low - Number of missing values too high - Too concentrate in the most frequent value - Unstable between sets - Multivariate filters: - Spearman Correlation for numerical features - Cramer's V for categorical features - R2 for mixed features - VIF - Explanatory filters: - Feature AUROC for classification - Feature Correlation with target for regression ## Elimination - Shap Recursive Feature Elimination with HyperParam Optimization # Trasformation - Only 2 classes added to select and rename columns in datasets. Useful for generating the production pipeline

نیازمندی

مقدار	نام
==1.5.4	typed-ast
~=1.22	numpy
==1.4.2	pandas
==1.1.1	scikit-learn
==1.8.1	scipy
==0.13.2	statsmodels
==6.0	PyYAML
==0.38.1	shap
-	ipython

زبان مورد نیاز

مقدار	نام
>=3.9, <4	Python

نحوه نصب

نصب پکیج whl cefeste-1.0.3:

pip install cefeste-1.0.3.whl

نصب پکیج tar.gz cefeste-1.0.3:

pip install cefeste-1.0.3.tar.gz