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

Accelerating machine learning during the exploratory phase

ویژگی	مقدار
سیستم عامل	-
نام فایل	emeraldml-0.0.1
نام	emeraldml
نسخه کتابخانه	0.0.1
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Yusuf Abdulla
ایمیل نویسنده	yusuf.m.abdulla@gmail.com
آدرس صفحه اصلی	https://github.com/yu3ufff/emerald
آدرس اینترنتی	https://pypi.org/project/emeraldml/
مجوز	-

![Emerald](emerald.jpg) # EmeraldML A machine learning library for streamlining the process of (1) cleaning and splitting data, (2) training, optimizing, and testing various models based on the task, and (3) scoring and ranking them during the exploratory phase for an elementary analysis of which models perform better for a specific dataset. ## Demo Getting the data: ```python import pandas as pd audi = pd.read_csv('audi.csv') audi.head() ``` ``` | | model | year | price | transmission | mileage | fuelType | tax | mpg | engineSize | |---:|:--------|-------:|--------:|:---------------|----------:|:-----------|------:|------:|-------------:| | 0 | A1 | 2017 | 12500 | Manual | 15735 | Petrol | 150 | 55.4 | 1.4 | | 1 | A6 | 2016 | 16500 | Automatic | 36203 | Diesel | 20 | 64.2 | 2 | | 2 | A1 | 2016 | 11000 | Manual | 29946 | Petrol | 30 | 55.4 | 1.4 | | 3 | A4 | 2017 | 16800 | Automatic | 25952 | Diesel | 145 | 67.3 | 2 | | 4 | A3 | 2019 | 17300 | Manual | 1998 | Petrol | 145 | 49.6 | 1 | ``` Using EmeraldML: ```python import emerald from emerald.boa import RegressionBoa rboa = RegressionBoa(random_state=3) rboa.hunt(data=audi, target='price') rboa.ladder ``` ``` [(OptimalRFRegressor, 0.9624889664024406), (OptimalDTRegressor, 0.9514992411732952), (OptimalKNRegressor, 0.9511411883559433), (OptimalLinearRegression, 0.8876961846248467), (OptimalABRegressor, 0.8491539140007975)] ``` ```python for i in range(len(rboa)): print(rboa.model(i)) ``` ``` RandomForestRegressor(min_samples_split=5, n_estimators=500, random_state=3) DecisionTreeRegressor(max_depth=15, min_samples_split=10, random_state=3) KNeighborsRegressor(n_neighbors=3, p=1) LinearRegression() AdaBoostRegressor(learning_rate=0.1, n_estimators=100, random_state=3) ```

زبان مورد نیاز

مقدار	نام
>=3.7	Python

نحوه نصب

نصب پکیج whl emeraldml-0.0.1:

pip install emeraldml-0.0.1.whl

نصب پکیج tar.gz emeraldml-0.0.1:

pip install emeraldml-0.0.1.tar.gz