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

Tools for the DataCamp Creating Robust Python Projects course

ویژگی	مقدار
سیستم عامل	-
نام فایل	datacamprojects-0.0.1
نام	datacamprojects
نسخه کتابخانه	0.0.1
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Martin Skarzynski
ایمیل نویسنده	marskar@gmail.com
آدرس صفحه اصلی	https://github.com/marskar/datacamprojects
آدرس اینترنتی	https://pypi.org/project/datacamprojects/
مجوز	-

# The `datacamprojects` python package Skip the boilerplate of scikit-learn machine learning examples. ## Installation ```bash pip install datacamprojects ``` ## Usage In a shell environment, you can run `datacamprojects` with no arguments to perform a Logistic Regression on the `digits` dataset. This will produce a 10 x 10 confusion matrix with the Accuracy Score at the top. You can also pass arguments to datacamprojects at the command line. For example, ```bash datacamprojects -dataset diabetes -model linear_model.Lasso # Or datacamprojects -d diabetes -m linear_model.Lasso ``` will run a linear regression with lasso regularization (L1) on the `diabetes` dataset. The `dataset` argument can be any of the following built-in scikit-learn datasets: - Regression - `boston` - `diabetes` - Classification - `digits` - `iris` - `wine` - `breast_cancer` The `model` argument refers to the model type and name from scikit-learn. The first part is the submodule, e.g. - `linear_model` - `naive_bayes` - `ensemble` - `svm` while the second is what is actually imported, e.g. - `LinearRegression` - `GaussianNB` - `RandomForestRegressor` - `SVC` Simplify code to a single function call per step: ```python from sklearn.metrics import confusion_matrix, accuracy_score import datacamprojects as dcp dataset = dcp.get_data('digits') x_train, x_test, y_train, y_test = dcp.split_data(dataset) model = dcp.get_model(model_type='ensemble', model_name='RandomForestClassifier') fit = model.fit(x_train, y_train) dcp.pickle_model(filename='digits_rf.pickle', model=fit) predictions = fit.predict(x_test) confmat = confusion_matrix(y_true=y_test, y_pred=predictions) accuracy = accuracy_score(y_true=y_test, y_pred=predictions) dcp.confusion_matrix_plot(cm=confmat, acc=accuracy, filename='digits_rf.png') ``` Or run a whole pipeline with one function: ```python import datacamprojects as dcp dcp.classification(dataset='digits', model_type='ensemble', model_name='RandomForestClassifier', pickle_name='digits_rf.pickle', plot_name='digits_rf.png') ``` For inspiration, look at the example pipeline in the [pipeline folder](https://github.com/marskar/datacamprojects/tree/master/pipeline) of the [datacamprojects repo](https://github.com/marskar/datacamprojects).

نیازمندی

مقدار	نام
-	scikit-learn
-	matplotlib
-	seaborn

نحوه نصب

نصب پکیج whl datacamprojects-0.0.1:

pip install datacamprojects-0.0.1.whl

نصب پکیج tar.gz datacamprojects-0.0.1:

pip install datacamprojects-0.0.1.tar.gz