معرفی شرکت ها
classeval-0.1.9
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
Python package classeval
| ویژگی | مقدار |
|---|---|
| سیستم عامل | OS Independent |
| نام فایل | classeval-0.1.9 |
| نام | classeval |
| نسخه کتابخانه | 0.1.9 |
| نگهدارنده | [] |
| ایمیل نگهدارنده | [] |
| نویسنده | Erdogan Taskesen |
| ایمیل نویسنده | erdogant@gmail.com |
| آدرس صفحه اصلی | https://github.com/erdogant/classeval |
| آدرس اینترنتی | https://pypi.org/project/classeval/ |
| مجوز | - |
# classeval
[](https://img.shields.io/pypi/pyversions/classeval)
[](https://pypi.org/project/classeval/)
[](https://github.com/erdogant/classeval/blob/master/LICENSE)
[](https://pepy.tech/project/classeval)
[](https://pepy.tech/project/classeval/month)
[](https://erdogant.github.io/classeval/)
[](https://www.buymeacoffee.com/erdogant)
<!---[](https://erdogant.github.io/donate/?currency=USD&amount=5)-->
The library ``classeval`` is developed to evaluate the models performance of any kind of **two-class** or **multi-class** model. ``classeval`` computes many scoring measures in case of a two-class clasification model. Some measures are utilized from ``sklearn``, among them AUC, MCC, Cohen kappa score, matthews correlation coefficient, whereas others are custom. This library can help to consistenly compare the output of various models. In addition, it can also give insights in tuning the models performance as the the threshold being used can be adjusted and evaluated. The output of ``classeval`` can subsequently plotted in terms of ROC curves, confusion matrices, class distributions, and probability plots. Such plots can help in better understanding of the results.
### Docs
Navigate to [API documentations](https://erdogant.github.io/classeval/) for more detailed information.
### Contents
- [Installation](#-installation)
- [Quick Start](#-quick-start)
- [Contribute](#-contribute)
- [Citation](#-citation)
- [Maintainers](#-maintainers)
- [License](#-copyright)
### Installation
* Install classeval from PyPI (recommended). classeval is compatible with Python 3.6+ and runs on Linux, MacOS X and Windows.
* It is distributed under the MIT license.
#### Quick Start
```
pip install classeval
```
* Alternatively, install classeval from the GitHub source:
```bash
git clone https://github.com/erdogant/classeval.git
cd classeval
python setup.py install
```
#### Import classeval package
```python
import classeval as clf
```
#### Example two-class model:
```python
from sklearn.model_selection import train_test_split
from sklearn.ensemble.gradient_boosting import GradientBoostingClassifier
gb = GradientBoostingClassifier()
X, y = clf.load_example('breast')
X_train, X_test, y_train, y_true = train_test_split(X, y, test_size=0.2)
model = gb.fit(X_train, y_train)
y_proba = model.predict_proba(X_test)[:,1]
y_pred = model.predict(X_test)
# Evaluate
out = clf.eval(y_true, y_proba, pos_label='malignant')
ax = clf.plot(out, figsize=(20,15), fontsize=14)
```
<p align="center">
<img src="https://github.com/erdogant/classeval/blob/master/docs/figs/Figure_1.png" width="600" />
<img src="https://github.com/erdogant/classeval/blob/master/docs/figs/Figure_2.png" width="400" />
</p>
#### Example multi-class model:
```python
X,y = clf.load_example('iris')
X_train, X_test, y_train, y_true = train_test_split(X, y, test_size=0.5)
model = gb.fit(X_train, y_train)
y_pred = model.predict(X_test)
y_proba = model.predict_proba(X_test)
y_score = model.decision_function(X_test)
# All
out = clf.eval(y_true, y_proba, y_score, y_pred)
ax = clf.plot(out)
```
#### Citation
Please cite classeval in your publications if this is useful for your research. Here is an example BibTeX entry:
```BibTeX
@misc{erdogant2020classeval,
title={classeval},
author={Erdogan Taskesen},
year={2019},
howpublished={\url{https://github.com/erdogant/classeval}},
}
```
#### Maintainers
* Erdogan Taskesen, github: [erdogant](https://github.com/erdogant)
#### Contribute
* Contributions are welcome.
* If you wish to buy me a <a href="https://www.buymeacoffee.com/erdogant">Coffee</a> for this work, it is very appreciated :)
#### Licence
* See [LICENSE](LICENSE) for details.
نیازمندی
| مقدار | نام |
|---|---|
| - | matplotlib |
| - | numpy |
| - | funcsigs |
| - | sklearn |
| - | colourmap |
زبان مورد نیاز
| مقدار | نام |
|---|---|
| >=3 | Python |
نحوه نصب
نصب پکیج whl classeval-0.1.9:
pip install classeval-0.1.9.whl
نصب پکیج tar.gz classeval-0.1.9:
pip install classeval-0.1.9.tar.gz