معرفی شرکت ها
easy-gscv-0.2
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 high level library gridsearch / cross evaluation library for scikit-learn
| ویژگی | مقدار |
|---|---|
| سیستم عامل | - |
| نام فایل | easy-gscv-0.2 |
| نام | easy-gscv |
| نسخه کتابخانه | 0.2 |
| نگهدارنده | [] |
| ایمیل نگهدارنده | [] |
| نویسنده | Jasper Koops |
| ایمیل نویسنده | jasperkoops91@gmail.com |
| آدرس صفحه اصلی | https://github.com/Jasper-Koops/easy-gscv |
| آدرس اینترنتی | https://pypi.org/project/easy-gscv/ |
| مجوز | - |
[](https://travis-ci.org/Jasper-Koops/easy-gscv)
[](https://codecov.io/gh/Jasper-Koops/easy-gscv)
[](http://mypy-lang.org/)
## Easy Grid Search / Cross Validation
*From data to score in 4 lines of code.*
This library allows you to quickly train machine learning classifiers by
automatically splitting the dataset and using both
[grid search](https://en.wikipedia.org/wiki/Hyperparameter_optimization) and [cross validation](https://en.wikipedia.org/wiki/Cross-validation_(statistics)) in the training process. Users can either pass define the parameters themselves or let the **GSCV** object
choose them automatically (based on the classifier).
This library is an extension of the [scikit-learn](http://scikit-learn.org/stable/index.html) project.
[View on pypi](https://pypi.org/project/easy-gscv/)
### Example:
```
from sklearn.neural_network import MLPClassifier
from sklearn import datasets
from easy_gscv.classifiers import GSCV
# Create test dataset
iris = datasets.load_iris()
X = iris.data
y = iris.target
clf = MLPClassifier()
# Create model instance
gscv_model = GSCV(clf(), X, y)
# Get score
gscv_model.score()
```
## install
*requires python 3.7+*
```
pip install easy-gscv
```
## create
```
from easy_gscv.models import GSCV
clf = LogisticRegression()
gscv_model = GSCV(
clf(), X, y, cv=15, n_jobs=-1, params={
'C': [10, 100],
'penalty': ['l2']
}
)
```
No need to create separate train / test datasets, the model does this
automatically on initialization.
If no parameters are provided the grid search is performed on a default set.
But these can be overridden.
The number of folds to be used for cross validation can be specified
by using the `cv` keyword.
To speed up the training process you can use the `n_jobs` parameter to
set the number of cpu cores to use (or set it to `-1` to use all available.)
The model accepts either sklearn classifiers or string values.
You can get a list of valid classifiers by calling the 'classifiers' property. Passing string arguments to the GSCV object in turn saves
you from having to import sklearn classifiers yourself.
```
gscv_model = GSCV('RandomForestClassifier',, X, y)
gscv_model.classifiers
'KNeighborsClassifier',
'RandomForestClassifier',
'GradientBoostingClassifier',
'MLPClassifier',
'LogisticRegression',
```
## score
```
gscv_model.score()
```
The grid search is performed on the training data. Use the `score` method to evaluate
how well the model can be generalized by scoring it against the test dataset.
## get_best_estimator
```
gscv_model.get_best_estimator()
```
Returns the best scoring sklearn classifier (based on training data).
As its a valid scikit-learn classifier, you can use it do anything that
you could do with sklearn classifier.
The following classifiers are currently supported. With the eventual goal of
supporting all scikit-learn classifiers in the future.
* KNeighborsClassifier
* RandomForestClassifier
* GradientBoostingClassifier
* MLPClassifier
* LogisticRegression
## get_fit_details
As cross validation returns an average, it can be helpful to
get a more detailed overview of the best scoring classifier.
This method returns a table like the one displayed below, which
then can be used to further refine the choice or parameters for
subsequent runs.
```
clf = KNeighborsClassifier()
gscv_model = GSCV(clf(), X, y)
gscv_model.get_fit_details()
0.965 (+/-0.026) for {'weights': 'uniform', 'n_neighbors': 3}
0.977 (+/-0.013) for {'weights': 'distance', 'n_neighbors': 3}
0.979 (+/-0.011) for {'weights': 'uniform', 'n_neighbors': 5}
0.979 (+/-0.011) for {'weights': 'distance', 'n_neighbors': 5}
0.976 (+/-0.018) for {'weights': 'uniform', 'n_neighbors': 8}
0.975 (+/-0.018) for {'weights': 'distance', 'n_neighbors': 8}
0.971 (+/-0.022) for {'weights': 'uniform', 'n_neighbors': 12}
0.973 (+/-0.024) for {'weights': 'distance', 'n_neighbors': 12}
0.973 (+/-0.025) for {'weights': 'uniform', 'n_neighbors': 15}
```
نیازمندی
| مقدار | نام |
|---|---|
| - | numpy |
| - | scipy |
| - | scikit-learn |
نحوه نصب
نصب پکیج whl easy-gscv-0.2:
pip install easy-gscv-0.2.whl
نصب پکیج tar.gz easy-gscv-0.2:
pip install easy-gscv-0.2.tar.gz