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

Persistent and reproducible experimental pipelines for Machine Learning

ویژگی	مقدار
سیستم عامل	-
نام فایل	classicexperiments-0.1.0a1
نام	classicexperiments
نسخه کتابخانه	0.1.0a1
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Jan Philip Göpfert
ایمیل نویسنده	janphilip@gopfert.eu
آدرس صفحه اصلی	https://github.com/jangop/classicexperiments
آدرس اینترنتی	https://pypi.org/project/classicexperiments/
مجوز	-

# Classic Experiments Persistent and reproducible experimental pipelines for Machine Learning. ## Installation ``` pip install classicexperiments ``` ## Example Usage We want to compare several classifiers with respect to a number of datasets. We simply load the datasets and define a number of `Estimator` instances. ```python import sklearn.ensemble import sklearn.neighbors import sklearn.neural_network import sklearn.preprocessing import sklearn.tree from classicdata import ( USPS, ImageSegmentation, Ionosphere, LetterRecognition, MagicGammaTelescope, PenDigits, RobotNavigation, ) from classicexperiments import Estimator, Evaluation, Experiment # Prepare datasets. datasets = [ Ionosphere(), LetterRecognition(), MagicGammaTelescope(), PenDigits(), RobotNavigation(), ImageSegmentation(), USPS(), ] # Prepare estimators. estimators = [ Estimator( name="Dummy", estimator_class=sklearn.dummy.DummyClassifier, parameters={}, ), Estimator( name="5-nn", estimator_class=sklearn.neighbors.KNeighborsClassifier, parameters={"n_neighbors": 5}, ), Estimator( name="Tree", estimator_class=sklearn.tree.DecisionTreeClassifier, parameters={}, ), Estimator( name="Forest", estimator_class=sklearn.ensemble.AdaBoostClassifier, parameters={}, ), Estimator( name="MLP", estimator_class=sklearn.neural_network.MLPClassifier, parameters={}, ), Estimator( name="KernelSVM", estimator_class=sklearn.svm.SVC, parameters={"kernel": "sigmoid"}, ), ] # Prepare experiments. experiments = [ Experiment( dataset=dataset, estimator=estimator, estimation_function=sklearn.model_selection.cross_val_score, parameters={}, scaler=sklearn.preprocessing.StandardScaler(), ) for estimator in estimators for dataset in datasets ] # Prepare evaluation. evaluation = Evaluation(experiments=experiments, base_dir="evaluation") # Run evaluation. evaluation.run() # Present results. evaluation.present(table_format="github") ``` Results are automatically stored, and we end up with a tidy table. | Dataset | Dummy | 5-nn | Tree | Forest | MLP | KernelSVM | |--------------------|--------------|--------------|------------------|------------------|------------------|--------------| | Ionosphere | 0.64 ±0.0036 | 0.83 ±0.0388 | 0.86 ±0.0491 | **0.91 ±0.0549** | 0.90 ±0.0405 | 0.84 ±0.0630 | | Letter Recognition | 0.04 ±0.0001 | 0.94 ±0.0022 | 0.88 ±0.0051 | 0.26 ±0.0356 | **0.95 ±0.0044** | 0.47 ±0.0119 | | Pen Digits | 0.10 ±0.0000 | 0.99 ±0.0022 | 0.96 ±0.0048 | 0.43 ±0.1198 | **0.99 ±0.0017** | 0.74 ±0.0067 | | Robot Navigation | 0.40 ±0.0001 | 0.77 ±0.0563 | **0.98 ±0.0140** | 0.80 ±0.0365 | 0.87 ±0.0472 | 0.48 ±0.0272 | | Segmentation | 0.14 ±0.0000 | 0.92 ±0.0505 | 0.94 ±0.0334 | 0.48 ±0.0700 | **0.95 ±0.0362** | 0.75 ±0.0914 | | Telescope | 0.65 ±0.0001 | 0.81 ±0.0060 | 0.82 ±0.0046 | 0.84 ±0.0050 | **0.87 ±0.0050** | 0.65 ±0.0043 | | USPS | 0.17 ±0.0003 | 0.96 ±0.0030 | 0.88 ±0.0088 | 0.55 ±0.0898 | **0.97 ±0.0049** | 0.88 ±0.0053 |

نیازمندی

مقدار	نام
-	loguru
-	scikit-learn
-	numpy
-	appdirs
-	tabulate
-	more-termcolor
-	classicdata
-	tqdm
-	check-manifest
-	black
-	pylint
-	coverage
-	pytest
-	black
-	pylint

زبان مورد نیاز

مقدار	نام
>=3.9, <4	Python

نحوه نصب

نصب پکیج whl classicexperiments-0.1.0a1:

pip install classicexperiments-0.1.0a1.whl

نصب پکیج tar.gz classicexperiments-0.1.0a1:

pip install classicexperiments-0.1.0a1.tar.gz