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

Multi-target Random Forest implementation that can mix both classification and regression tasks.

ویژگی	مقدار
سیستم عامل	-
نام فایل	decision-tree-morfist-0.3.3
نام	decision-tree-morfist
نسخه کتابخانه	0.3.3
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Andrés Reverón Molina
ایمیل نویسنده	andres@reveronmolina.me
آدرس صفحه اصلی	https://github.com/systemallica/morfist
آدرس اینترنتی	https://pypi.org/project/decision-tree-morfist/
مجوز	MIT

# morfist: mixed-output-rf Multi-target Random Forest implementation that can mix both classification and regression tasks. Morfist implements the Random Forest algorithm (Breiman, 2001) with support for mixed-task multi-task learning, i.e., it is possible to train the model on any number of classification tasks and regression tasks, simultaneously. Morfist's mixed multi-task learning implementation follows that proposed by Linusson (2013). * [Breiman, L. (2001). Random forests. Machine learning, 45(1), 5-32](https://link.springer.com/article/10.1023%2FA%3A1010933404324). * [Linusson, H. (2013). Multi-output random forests](https://pdfs.semanticscholar.org/4219/f87ed41c558d43cf78f63976cf87bcd7ebb0.pdf). ## Installation With pip: ``` pip install decision-tree-morfist ``` With conda: ``` conda install -c systemallica decision-tree-morfist ``` ## Usage ### Initialising the model - Similarly to a scikit-learn [RandomForestClassifier](https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.RandomForestClassifier.html), a MixedRandomForest can be initialised in this way: ``` from morfist import MixedRandomForest mrf = MixedRandomForest( n_estimators=n_trees, min_samples_leaf=1, classification_targets=[0] ) ``` For more info on the possible parameters, visit the [documentation](https://systemallica.github.io/morfist/). ### Training the model - Once the model is initialised, it can be fitted like this: ``` mrf.fit(X, y) ``` Where X are the training examples and Y are their respective labels(if they are categorical) or values(if they are numerical) ### Prediction - The model can be now used to predict new instances. - Class/value: ``` mrf.predict(x) ``` - Probability: ``` mrf.predict_proba(x) ``` ## TODO: * Speed up the learning algorithm implementation (morfist is currently **much** slower than the Random Forest implementation available in scikit-learn)

نیازمندی

مقدار	نام
>=0.51.0,<0.52.0	numba
>=1.19.1,<2.0.0	numpy
>=1.5.2,<2.0.0	scipy

زبان مورد نیاز

مقدار	نام
>=3.8.0,<4.0.0	Python

نحوه نصب

نصب پکیج whl decision-tree-morfist-0.3.3:

pip install decision-tree-morfist-0.3.3.whl

نصب پکیج tar.gz decision-tree-morfist-0.3.3:

pip install decision-tree-morfist-0.3.3.tar.gz