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

Metrics evaluation for binary classification model

ویژگی	مقدار
سیستم عامل	-
نام فایل	devyl-0.0.6
نام	devyl
نسخه کتابخانه	0.0.6
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Devy Ratnasari
ایمیل نویسنده	imthedevyl@gmail.com
آدرس صفحه اصلی	https://github.com/devyratnasari/devyl
آدرس اینترنتی	https://pypi.org/project/devyl/
مجوز	MIT

This library used for evaluate machine learning and deep learning algorithm, still on progress and will be improved as long as there are opportunity to do it. Binary classification algorithm target for current phase: 1. SVM 2. Logistic Regression 3. KNN 4. Decision Tree 5. Random Forest 6. Neural Network How to initialise this library: 1. Type 'from devyl import evaluate' to call the library 2. create the function: ML -- variablename = evaluate.binary(algorithm, xtrain, xtest, ytrain, ytest) DL -- variablename = evaluate.neuralnet(algorithm, xtrain, xtest, ytrain, ytest) -- it need algorithm that already been fit with training dataset. comparison score -- variablename = evaluate.compare(listname) -- it need the list of the score summary of all algorithm 3. The binary and neuralnet function contains: - plot_confusionmatrix() -- for visualise confusion matrix - print_score(string) -- this function will calculate the accuracy score, log loss, precision, recall, f1, and roc_auc score for training and testing dataset - auc_plot() or auc_plot(history, epochs) for neural network -- this function will visualise learning curve from the model with training and testing phase comparison - score_table -- to call score summary from the model it will return array of metrics score 4. The compare function contains: - plot_accuracycomparison() -- visualise accuracy score comparison between training and testing - plot_lossccomparison() -- visualise loss score comparison between training and testing - plot_precisioncomparison() -- visualise precision score comparison between class 1 and 0 - plot_recallcomparison() -- visualise recall score comparison between class 1 and 0 - plot_ROCcomparison() -- visualise roc_auc score comparison between training and testing Please send an email to imthedevyl@gmail.com for any feedback to improve this library

نحوه نصب

نصب پکیج whl devyl-0.0.6:

pip install devyl-0.0.6.whl

نصب پکیج tar.gz devyl-0.0.6:

pip install devyl-0.0.6.tar.gz