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

Transforms categorical features into embedded vectors

ویژگی	مقدار
سیستم عامل	-
نام فایل	ent-embedding-0.0.1
نام	ent-embedding
نسخه کتابخانه	0.0.1
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Avtandil Chakhnashvili, Ilia Latauri
ایمیل نویسنده	avtuka16.ac@gmail.com
آدرس صفحه اصلی	https://github.com/Avtocado/Entity-Embedding/tree/main/Package
آدرس اینترنتی	https://pypi.org/project/ent-embedding/
مجوز	-

Package transforms your categorical variables into embedded vectors. You should have tensorflow, pandas, numpy, keras and sklearn installed. Attributes: model = EntityEmbedding(dataframe, features from the copy of the df, target column, column you want a vector for) Hyperparameters you can optimize: model.train_fit(activation1='relu', activation2='relu', activation3='relu', loss='mean_squared_error', metrics='mape', dense_size_num=128, dense_size_conc_1=300, dense_size_conc_2=300, alpha=1e-3, epochs=1000, batch_size=512, verbose=1, patience=5) Inside model.transform(), always provide embedded vector you want to use: model.transform(model.ent_emb) model.visualize() returns 2 d visualization of your column categories.

زبان مورد نیاز

مقدار	نام
>=3.6	Python

نحوه نصب

نصب پکیج whl ent-embedding-0.0.1:

pip install ent-embedding-0.0.1.whl

نصب پکیج tar.gz ent-embedding-0.0.1:

pip install ent-embedding-0.0.1.tar.gz