معرفی شرکت ها
estimators-0.1.0.dev0
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
Machine Learning Version Control made Simple
| ویژگی | مقدار |
|---|---|
| سیستم عامل | - |
| نام فایل | estimators-0.1.0.dev0 |
| نام | estimators |
| نسخه کتابخانه | 0.1.0.dev0 |
| نگهدارنده | [] |
| ایمیل نگهدارنده | [] |
| نویسنده | Simon Frid |
| ایمیل نویسنده | simon.frid@gmail.com |
| آدرس صفحه اصلی | https://github.com/fridiculous/estimators |
| آدرس اینترنتی | https://pypi.org/project/estimators/ |
| مجوز | MIT License |
.. image:: https://travis-ci.org/fridiculous/estimators.svg?branch=master
:target: https://travis-ci.org/fridiculous/estimators
.. image:: https://landscape.io/github/fridiculous/estimators/master/landscape.svg?style=flat
:target: https://landscape.io/github/fridiculous/estimators/master
:alt: Code Health
Estimators
==========
Machine Learning Versioning made Simple
Intro
-----
Estimators helps organize, track machine learning models and datasets. Estimators functions as an api for your machine learning models and datasets, to convieniently persist, retrieve and machine learning models and datasets.
This repo utilizes sqlalchemy as an ORM. If you're using django, try `django-estimators <https://github.com/fridiculous/django-estimators.git>`_ instead.
Installation
------------
Estimators is not yet on PyPI, so just run: ::
pip install estimators
Environment Setup
-----------------
First, we need to initialize our database and filesystem. This only needs to happen once per database/filesystem. In future releases, we anticipate this step will be simplified.
::
from estimators import Estimator, DataSet, DataBase
db = DataBase()
db.initialize_database()
Estimator.initialize_root_dir()
DataSet.initialize_root_dir()
Basic Usage
-----------
We can see the power of Estimators in 2 steps.
Let's say we are developing a classifier. We'll load up the data, split it for validation, and then create and train a model.
::
from sklearn.datasets import load_digits
from sklearn.ensemble import RandomForestClassifier
digits = load_digits() # 1797 by 64
X = digits.data
y = digits.target
# simple splitting for validation testing
X_train, X_test = X[:1200], X[1200:]
y_train, y_test = y[:1200], y[1200:]
rfc = RandomForestClassifier()
rfc.fit(X_train, y_train)
1. First import an `Evaluator` object that instantiates an evaluation plan.
Set the `estimator`, `X_test` and `y_test` to that evaluator object.
::
from estimators import Evaluator
plan = Evaluator()
plan.estimator = rfc
plan.X_test = X_test
plan.y_test = y_test
# persist all objects upon prediction
result = plan.evaluate()
# including our predictions
result.y_predicted
2. At a later date, we can retrieve the results, along with the original estimator, X_test dataset and y_test dataset using sqlalchemy orm.
::
from estimators import DataBase, EvaluationResult
db = DataBase()
result = db.Session.query(EvaluationResult).first()
# which has all our attributes
result.id
result.create_date
result.estimator
result.X_test
result.y_test
result.y_predicted
Advanced Usage
--------------
Continuing with the above example, we can pull specific estimators or datasets from our database.
::
from estimators import Estimator, DataSet
# to return an estimator proxy object
es = db.Session.query(Estimator)[-1]
# return our fitted RandomForestClassifier
es.estimator
# to returns all datasets as proxy objects
ds = db.Session.query(DataSet).all()
ds[0].data
But we can continue on to use all of sqlalchemy's expressions
::
X_test_one = db.Session.query(DataSet).filter(DataSet.hash=='a381b220d0cd271d608a27eb52dfb654').first()
y_test_one = db.Session.query(DataSet).filter(DataSet.hash=='fe773b5c53aec02fd98ffc65feb4714d').first()
Furthermore, we can run more evaluations using our new proxy objects. The Evaluator
object handles the proxy Estimator and DataSet objects just like regular data.
::
plan = Evaluator()
plan.estimator = es
plan.X_test = X_test_one
plan.y_test = y_test_one
result_two = plan.evaluate()
Additionally if we want to use a different database connection, we can pass the sqlalchemy session object to the evaluator.
::
from estimators import DataBase
db = DataBase(url='sqlite://')
plan = Evaluator()
plan.session = db.Session
# and continue as expected otherwise
Development Installation
------------------------
To install the latest version of estimators, clone the repo, change directory to the repo, and pip install it into your current virtual environment.::
$ git clone git@github.com:fridiculous/estimators.git
$ cd estimators
$ <activate your project’s virtual environment>
(virtualenv) $ pip install -e . # the dot specifies for this current repo
نیازمندی
| مقدار | نام |
|---|---|
| ==1.0.15 | SQLAlchemy |
| ==0.4.3 | pympler |
نحوه نصب
نصب پکیج whl estimators-0.1.0.dev0:
pip install estimators-0.1.0.dev0.whl
نصب پکیج tar.gz estimators-0.1.0.dev0:
pip install estimators-0.1.0.dev0.tar.gz