معرفی شرکت ها

eda-fe-model-0.3.2

Card image cap
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
Card image cap
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
Card image cap
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
Card image cap
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
Card image cap
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
0.3.2
0.3.1
0.3.0
0.2.4
0.3.2
0.3.1
0.3.0
0.2.4

توضیحات

A python package to handle EDA and feature extraction and also return the best hyperparameters for a tabular classification problem.
ویژگی مقدار
سیستم عامل -
نام فایل eda-fe-model-0.3.2
نام eda-fe-model
نسخه کتابخانه 0.3.2
نگهدارنده []
ایمیل نگهدارنده []
نویسنده ['Akshat Mehrotra', 'Mohammad Shaheer Khan']
ایمیل نویسنده akshat117@gmail.com
آدرس صفحه اصلی https://github.com/Akkimehr/eda-fe-model
آدرس اینترنتی https://pypi.org/project/eda-fe-model/
مجوز MIT
# EDA FEATURE_EXTRACTOR MODEL A python package to do EDA, feature selection and display the best hyperparameters for a pre-built classification model. Useful for datasets with no NaNs or null values present. Can be used for normal classification tasks, next update will work for Regression type problems and incorporate a sorted arrangement of variables. before utilizing the package, ensure no Null or NaN values remain. pip install eda-fe-model pip install eda-fe-model==0.3.2 ## Using the library from eda_fe_model import package package.EDA() package.feature_extraction() Use to_categorical from keras.utils, to One Hot Encode the labels package.build_best_model() package.model_create() ## EDA package.EDA accepts the following: dataset = pandas dataframe columns_drop = columns to drop as a list. Accepts None one_hot_encode = True/False label_encode = True/False normalize = True/False standardize = True/False target_varaible = single target, y, as array test_size = percentage of the dataset to be used for testing purposes random_state If the dataset only consists of categorical variables, set normalize or standardize to True. returns the splitted dataset: x_train, x_test, y_train, y_test (respectively) ## FEATURE EXTRACTION package.feature_extraction accepts the following: train_X = train dataset consisting of predictors train_Y = train labels test_X = test dataset consisting of predictors test_Y = test labels rfe = True/False; Do you want to use Random Feature Extractor dim_out = Used only if rfe=True; output dimension; number of features to be selected distribution = Distibution of the dataset you want to use for GLM If rfe is False, set dim_out and distribution to be None, to return the input x and y for train and test datasets. Try changing the distribution if error due to convergence appear. returns x_train and x_test datasets with the user entered dimension/predictors ## BUILD BEST MODEL package.build_best_model accepts the follwoing: x = train dataset consisting of predictors y = One HOt Encoded training labels returns a RandomizedSearchCV object. Best Score: results.best_score_ Best Parameters: results.best_params_ ## CREATING THE MODEL package.model_create accpets the best parameters from the build_best_model() and runs the model for a user specified epochs. x = the new train dataset consisting of just the predictors. y = One Hot encoded training labels


نیازمندی

مقدار نام
>=1.18.5 numpy
>=1.0.5 pandas
>=0.23.1 scikit-learn
>=0.11.1 statsmodels
>=2.1.0 tensorflow


نحوه نصب


نصب پکیج whl eda-fe-model-0.3.2:

    pip install eda-fe-model-0.3.2.whl


نصب پکیج tar.gz eda-fe-model-0.3.2:

    pip install eda-fe-model-0.3.2.tar.gz