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

Consistently partitions a dataset into a training set and a test set

ویژگی	مقدار
سیستم عامل	-
نام فایل	data-partitioner-0.1
نام	data-partitioner
نسخه کتابخانه	0.1
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	brahle
ایمیل نویسنده	brahle@gmail.com
آدرس صفحه اصلی	https://github.com/brahle/data_partitioner
آدرس اینترنتی	https://pypi.org/project/data-partitioner/
مجوز	GNU Lesser General Public License (LGPL), Version 3

Data Partitioner ================ Simple project that can be used to consistently partition a data set into two parts - a test set and a training set. There are also helpful methods that provide a way to partition into more groups of elements. Installation ============ The easiest way to install this module is to install it via ``pip``: :: $ pip install data_partitioner Usage ===== Using this module is dead simple. The main module (``DatasetSuplier``) offers two methods that return the training set (``training_set()``) or the test set (``test_set()``). Both of these methods are consitent, so no matter how many times you call them on the same object, they will return the same set of elements back. You have two configuration options you can specify: - ``training_percent`` - the percent of the dataset used for the training set. It defaults to ``0.8``. - ``partitioning_function`` - the function that's used to partition the dataset. - It defaults to ``data_partitioner.pseudorandom_function``, which will randomly assign every element of the dataset to either the test set or the training set. - Another useful existing option you can set it to is ``data_partitioner.LinearFakeRandomFunction``, which will make sure that no elements in the training set come after any elements of the test set. - You can also manually write this callable, which will take one parameter as input - the index of the element currently considered. Example ======= :: from data_partitioner import DatasetSuplier dataset = [ ('Alice', 10, 23, 401), ('Bob', 20, 40, 812), ('Christine', 41, 92, 533), ('Dave', 843, 12, -5), ('Elizabeth', 682, 33, -7), ('Fred', 95, 642, 34), ] suplier = DatasetSuplier(dataset) for iteration in range(100): for element in suplier.training_set(): do_train(element[1]) for element in suplier.test_set(): do_evaluate(element[1])

نحوه نصب

نصب پکیج whl data-partitioner-0.1:

pip install data-partitioner-0.1.whl

نصب پکیج tar.gz data-partitioner-0.1:

pip install data-partitioner-0.1.tar.gz