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

All classifier algorithm at one place

ویژگی	مقدار
سیستم عامل	-
نام فایل	classification-algorithm-0.1
نام	classification-algorithm
نسخه کتابخانه	0.1
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Manikant Kumar
ایمیل نویسنده	mani2474695@gmail.com
آدرس صفحه اصلی	https://github.com/devil-cyber/Classifier_Algorithm
آدرس اینترنتی	https://pypi.org/project/classification-algorithm/
مجوز	-

**All Classifier Algorithm At One Place**<br> *This is a package that contains all the best classifier algorithms like* * LogisticRegression * SVM * Decision Tree * Random Forest * Naiv Bayes * SGDClassifier * Xgboost * Adaboost * KNN<br> **To access all these classifier you have to implement a simple code rather that importing all these classifier from different package** * Provide the x_train,y_train,x_test,y_test value to the Classifier object * Now call the classifier function * Note: In case of KNN also provide the n_neighbour value ```python from classification_algorithm import Classifier clf = Classifier(x_train, y_train, x_test, y_test) clf.logisticregression() clf.svm() clf.sgdclassifier() clf.decisiontree() clf.adaboost() clf.randomforest() clf.xgboost() clf.knn(3) clf.gaussain_naiv_bayes() clf.multinomial_naiv_bayes() ``` Output would look like: ```python ********************==> LogisticRegression <==******************** Accuracy score:0.8072916666666666 F1_Score:0.8614232209737829 AUC_Score:0.76680015016894 ********************==> SVM <==******************** Accuracy score:0.796875 F1_Score:0.8592057761732852 AUC_Score:0.7328869978726066 ********************==> SGDClassifier <==******************** Accuracy score:0.4375 F1_Score:0.30769230769230765 AUC_Score:0.5834063321236391 ********************==> DecisionTreeClassifier <==******************** Accuracy score:0.7395833333333334 F1_Score:0.8134328358208955 AUC_Score:0.6865223376298335 ********************==> AdaBoostClassifier <==******************** Accuracy score:0.7239583333333334 F1_Score:0.7984790874524715 AUC_Score:0.6794518833687899 ********************==> RandomForestClassifier <==******************** Accuracy score:0.7760416666666666 F1_Score:0.8377358490566038 AUC_Score:0.7351395319734702 ********************==> XGBoostClassifier <==******************** Accuracy score:0.7395833333333334 F1_Score:0.8076923076923077 AUC_Score:0.7040420473032162 ********************==> KNeighborsClassifier <==******************** Accuracy score:0.71875 F1_Score:0.798507462686567 AUC_Score:0.6624953072206232 ********************==> Gaussian Naiv Bayes <==******************** Accuracy score:0.765625 F1_Score:0.8351648351648351 AUC_Score:0.7056063070954824 ********************==> Multinomial Naiv Bayes <==******************** Accuracy score:0.6510416666666666 F1_Score:0.7545787545787546 AUC_Score:0.5734576398448255 ``` **If you want's to test you dataset for all classifier algorithm at one call then you have to do this** ```python from classification_algorithm import Classifier clf = Classifier(x_train, y_train, x_test, y_test) clf.pipeline() ``` Output would look like this: ```python Accuracy score:0.6510416666666666 F1_Score:0.7545787545787546 AUC_Score:0.5734576398448255 LogisticRegression score:0.8072916666666666 auc_score:0.76680015016894 SVM score:0.796875 auc_score:0.7328869978726066 DEcisionTree score:0.734375 auc_score:0.6870854711550494 RandomForest score:0.7708333333333334 auc_score:0.722562883243649 Xgboost score:0.7395833333333334 auc_score:0.7040420473032162 Gaussian_Naiv_Bayes score:0.765625 auc_score:0.7056063070954824 Multinomial_Naiv_Bayes score:0.6510416666666666 auc_score:0.5734576398448255 Best Model for this dataset according to accuracy score is:LogisticRegression Best Model for this dataset according to auc_score is:LogisticRegression ``` By. Manikant Kumar

نیازمندی

مقدار	نام
-	certifi
-	joblib
-	numpy
-	pandas
-	python-dateutil
-	pytz
-	scikit-learn
-	scipy
-	six
-	sklearn
-	threadpoolctl
-	wincertstore
-	xgboost

نحوه نصب

نصب پکیج whl classification-algorithm-0.1:

pip install classification-algorithm-0.1.whl

نصب پکیج tar.gz classification-algorithm-0.1:

pip install classification-algorithm-0.1.tar.gz