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

An evolutionary (genetic) algorithm designed specifically for optimizing predictive models with integer, real, boolean, and categorical inputs.

ویژگی	مقدار
سیستم عامل	-
نام فایل	evolutionary-algorithm-0.0.2
نام	evolutionary-algorithm
نسخه کتابخانه	0.0.2
نگهدارنده	['Daniel Tucker']
ایمیل نگهدارنده	[]
نویسنده	Daniel Tucker
ایمیل نویسنده	dmartintucker@gmail.com
آدرس صفحه اصلی	https://github.com/dmartintucker/evolutionary-algorithm
آدرس اینترنتی	https://pypi.org/project/evolutionary-algorithm/
مجوز	-

# evolutionary_algorithm `evolutionary-algorithm` is a Python library adapted from https://pypi.org/project/geneticalgorithm/ with modifications for streamlining the fine-tuning of predictive models. Random-search parameter optimization tends to be extremely sample-inefficient. This library attempts to address this sample efficiency issue by intelligently moving through parameter spaces to discover (locally or globally) optimimal solutions. Noteworthy improvements over existing Python implementations are the ability to pass a dictionary as input to the objective function, as well as a structured dictionary as the final output. The algorithm also handles categorical (Boolean and multilabel) data in a manner similar to Hyperopt (https://github.com/hyperopt/hyperopt). ## Installation The recommended installation process makes use of `pip` (or `pip3`): ``` pip install evolutionary-algorithm ``` ## A minimal example An ideal use case is passing a list of parameters and parameter bounds directly to a `scikit-learn` model, unpacking the paramters as model arguments within the objective function, and receiving a set of fine-tuned parameters as a result, which can be unpacked directly for downstream usage. ``` # Dependencies from evolutionary_algorithm import EvolutionaryAlgorithm as ea from sklearn.linear_model import SGDClassifier from sklearn import datasets from sklearn.metrics import accuracy_score # Sample dataset X, y = datasets.load_iris(return_X_y=True, as_frame=False) # Declare objective function parameters and bounds objective_parameters = [ {'name' : 'average', 'bounds' : [0, 1], 'type' : 'bool'}, {'name' : 'alpha', 'bounds' : [1e-5, 1e-1], 'type' : 'float'}, {'name' : 'loss', 'bounds' : ['hinge', 'log', 'squared_hinge', 'modified_huber', 'perceptron'], 'type' : 'cat'}, {'name' : 'penalty', 'bounds' : ['l1', 'l2', 'elasticnet'], 'type' : 'cat'}, {'name' : 'l1_ratio', 'bounds' : [0, 1], 'type' : 'float'} ] # Define the objective function (with embedded predictive model) def objective_function(args): clf = SGDClassifier(**args) clf.fit(X, y) preds = clf.predict(X) return accuracy_score(y, preds) * -1 # Expects a value to be minimized # Create instance of EA object evo_algo = ea(function=objective_function, parameters=objective_parameters) # Run EA evo_algo.run() # Access best model parameters evo_algo.best_parameters ```

نیازمندی

مقدار	نام
-	func-timeout
-	numpy

زبان مورد نیاز

مقدار	نام
>3.6	Python

نحوه نصب

نصب پکیج whl evolutionary-algorithm-0.0.2:

pip install evolutionary-algorithm-0.0.2.whl

نصب پکیج tar.gz evolutionary-algorithm-0.0.2:

pip install evolutionary-algorithm-0.0.2.tar.gz