معرفی شرکت ها
destimator-0.1.4
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 بیشترتوضیحات
A metadata-saving proxy for scikit-learn etimators.
| ویژگی | مقدار |
|---|---|
| سیستم عامل | - |
| نام فایل | destimator-0.1.4 |
| نام | destimator |
| نسخه کتابخانه | 0.1.4 |
| نگهدارنده | [] |
| ایمیل نگهدارنده | [] |
| نویسنده | Maciej Gryka |
| ایمیل نویسنده | maciej@rainforestqa.com |
| آدرس صفحه اصلی | https://github.com/rainforestapp/destimator |
| آدرس اینترنتی | https://pypi.org/project/destimator/ |
| مجوز | MIT |
==========
destimator
==========
destimator makes it easy to store trained ``scikit-learn`` estimators together with their metadata (training data, package versions, performance numbers etc.). This makes it much safer to store already-trained classifiers/regressors and allows for better reproducibility (see `this talk <https://www.youtube.com/watch?v=7KnfGDajDQw>`_ by `Alex Gaynor <https://alexgaynor.net/>`_ for some rationale).
Specifically, the ``DescribedEstimator`` class proxies most calls to the original ``Estimator`` it is wrapping, but also contains the following information:
* training and test (validation) data (``features_train``, ``labels_train``, ``features_test``, ``labels_test``)
* creation date (``created_at``)
* feature names (``feature_names``)
* performance numbers on the test set (``precision``, ``recall``, ``fscore``, ``support`` via `sklearn <http://scikit-learn.org/stable/modules/generated/sklearn.metrics.precision_recall_fscore_support.html>`_)
* distribution info (``distribution_info``; python distribution and versions of all installed packages)
* VCS hash (``vcs_hash``, if used inside a git repository, otherwise and empty string).
An instantiated ``DescribedEstimator`` can be easily serialized using the ``.save()`` method and deserialized using either ``.from_file()`` or ``.from_url()``. Did you ever want to store your models in S3? Now it's easy!
``DescribedEstimator`` can be used as follows:
.. code-block:: python
import numpy as np
from sklearn.datasets import load_iris
from sklearn.ensemble import RandomForestClassifier
from sklearn.cross_validation import train_test_split
from sklearn.metrics import precision_recall_fscore_support
from destimator import DescribedEstimator
# get some data
iris = load_iris()
features = iris.data
labels = iris.target
features_train, features_test, labels_train, labels_test = train_test_split(features, labels, test_size=0.1)
# train an estimator as usual (in this case a RandomForestClassifier)
clf = RandomForestClassifier(n_estimators=10, max_depth=None, min_samples_split=10, random_state=0)
clf.fit(features_train, labels_train)
# wrap the estimator in the DescribedEstimator class giving it all the training and test (validation) data
dclf = DescribedEstimator(
clf,
features_train,
labels_train,
features_test,
labels_test,
iris.feature_names
)
Now you can use the classifier as usual:
.. code-block:: python
print(dclf.predict(features_test))
> [2 1 2 2 0 1 0 2 2 1 2 0 2 1 2]
and you can also access a bunch of other properties, such as the training data you supplied:
.. code-block:: python
print(dclf.feature_names)
> ['sepal length (cm)', 'sepal width (cm)', 'petal length (cm)', 'petal width (cm)']
print(dclf.features_test)
> [[ 6.3 2.8 5.1 1.5]
[ 5.6 3. 4.5 1.5]
[ 6.7 3.1 5.6 2.4]
[ 6. 2.7 5.1 1.6]
[ 4.9 3.1 1.5 0.1]
[ 6.2 2.2 4.5 1.5]
[ 4.7 3.2 1.6 0.2]
[ 6.9 3.1 5.1 2.3]
[ 7.7 2.6 6.9 2.3]
[ 5.8 2.6 4. 1.2]
[ 7.2 3. 5.8 1.6]
[ 5.4 3.7 1.5 0.2]
[ 7.2 3.2 6. 1.8]
[ 6.3 3.3 4.7 1.6]
[ 6.8 3.2 5.9 2.3]]
print(dclf.labels_test)
> [2 1 2 1 0 1 0 2 2 1 2 0 2 1 2]
the performance numbers:
.. code-block:: python
print('precision: %s' % (dclf.precision))
> precision: [1.0, 1.0, 0.875]
print('recall: %s' % (dclf.recall))
> recall: [1.0, 0.8, 1.0]
print('fscore: %s' % (dclf.fscore))
> fscore: [1.0, 0.888888888888889, 0.9333333333333333]
print('support: %s' % (dclf.support))
> support: [3, 5, 7]
print('roc_auc: %s' % (dclf.roc_auc))
> roc_auc: 0.5
or information about the Python distribution used for training:
.. code-block:: python
from pprint import pprint
pprint(dclf.distribution_info)
> {'packages': ['appnope==0.1.0',
'decorator==4.0.4',
'destimator==0.0.0.dev3',
'gnureadline==6.3.3',
'ipykernel==4.2.1',
'ipython-genutils==0.1.0',
'ipython==4.0.1',
'ipywidgets==4.1.1',
'jinja2==2.8',
'jsonschema==2.5.1',
'jupyter-client==4.1.1',
'jupyter-console==4.0.3',
'jupyter-core==4.0.6',
'jupyter==1.0.0',
'markupsafe==0.23',
'mistune==0.7.1',
'nbconvert==4.1.0',
'nbformat==4.0.1',
'notebook==4.0.6',
'numpy==1.10.1',
'path.py==8.1.2',
'pexpect==4.0.1',
'pickleshare==0.5',
'pip==7.1.2',
'ptyprocess==0.5',
'pygments==2.0.2',
'pyzmq==15.1.0',
'qtconsole==4.1.1',
'requests==2.8.1',
'scikit-learn==0.17',
'scipy==0.16.1',
'setuptools==18.2',
'simplegeneric==0.8.1',
'terminado==0.5',
'tornado==4.3',
'traitlets==4.0.0',
'wheel==0.24.0'],
'python': '3.5.0 (default, Sep 14 2015, 02:37:27) \n'
'[GCC 4.2.1 Compatible Apple LLVM 6.1.0 (clang-602.0.53)]'}
Finally, the object can be serialized to a `zip` file containing all the above data:
.. code-block:: python
dclf.save('./classifiers', 'dclf')
and deserialized either from a file,
.. code-block:: python
dclf = DescribedEstimator.from_file('./classifiers/dclf.zip')
or from a URL:
.. code-block:: python
dclf = DescribedEstimator.from_url('http://localhost/dclf.zip')
نیازمندی
| مقدار | نام |
|---|---|
| >=1.10.1 | numpy |
| >=2.8.1 | requests |
| >=0.17 | scikit-learn |
| >=0.16.0 | scipy |
| xtr | check-manifest; |
| xtr | sphinx; |
| xtr | sphinx-rtd-theme; |
| xtr | twine; |
| xtr | flake8; |
| xtr | pytest; |
| xtr | pytest-cov; |
| xtr | tox; |
نحوه نصب
نصب پکیج whl destimator-0.1.4:
pip install destimator-0.1.4.whl
نصب پکیج tar.gz destimator-0.1.4:
pip install destimator-0.1.4.tar.gz