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

A collection of metrics for analysing confusion matrices

ویژگی	مقدار
سیستم عامل	-
نام فایل	confusion-metrics-0.1.0
نام	confusion-metrics
نسخه کتابخانه	0.1.0
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Dr David Martin
ایمیل نویسنده	d.m.a.martin@dundee.ac.uk
آدرس صفحه اصلی	https://bitbucket.org/davidmam/metrics.git
آدرس اینترنتی	https://pypi.org/project/confusion-metrics/
مجوز	-

# David's helpful metrics library There are many different ways to evaluate a confusion matrix. This helpful module implements a large number of them * q1 * q2 * q3 * q4 * q5 * q6 * q7 * dpower * agf * markedness * bcr * ber * gm * agm * op * req * tanimoto * roc * specificity * fprate * fnrate * precision * negativepv * plr * nlr * youden * accuracy * fscore * f2measure * fmeasure * f0_5measure * power * logpower * bajic_k * chisquare * ctg * yuleY * yuleQ * ivesgibbs * acp * acc * gdip1 * gdip2 * gdip3 * hamming * jaccard The original impelmentation was in Perl around 2005 and I appear to have not noted many of the references. My apologies. Details of the calcualtion are in the docstring. This module should be used as follows: `from metrics import Metrics` `Metrics.list_metrics() # lists method names` `Metrics.list_metrics(verbose=True) # gives a dictionary with the docstring` `Metrics.measure(method, tp=TP, fp=FP, tn=TN, fn=FN) # for True Positive, False Negative etc.` You probably want to wrap this with `try .. except` as it will show an error if inappropriate data is given. The `measure` method will convert counts to proportional data. Don't forget to `Metrics.cite(method)` which will give a list of citations, if available. If you wish to add to the citations then submit a pull request. I'd like to expand the help text in due course for each metric. Further information on many of the metrics and their behaviour can be found at (Tharwat, Applied Computing and Informatics (2018),https://doi.org/10.1016/j.aci.2018.08.003)[https://doi.org/10.1016/j.aci.2018.08.003] [Find this on BitBucket]( https://bitbucket.org/davidmam/metrics.git) q1 q2 q3 q4 q5 q6 q7 dpower agf markedness bcr ber gm agm op req tanimoto roc specificity fprate fnrate precision negativepv plr nlr youden accuracy fscore f2measure fmeasure f0_5measure power logpower bajic_k chisquare ctg yuleY yuleQ ivesgibbs acp acc gdip1 gdip2 gdip3 hamming jaccard

زبان مورد نیاز

مقدار	نام
>=3.0	Python

نحوه نصب

نصب پکیج whl confusion-metrics-0.1.0:

pip install confusion-metrics-0.1.0.whl

نصب پکیج tar.gz confusion-metrics-0.1.0:

pip install confusion-metrics-0.1.0.tar.gz