معرفی شرکت ها
ezmodel-0.2.0
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, Model, Surrogate, Metamodels, Response Surface
| ویژگی | مقدار |
|---|---|
| سیستم عامل | - |
| نام فایل | ezmodel-0.2.0 |
| نام | ezmodel |
| نسخه کتابخانه | 0.2.0 |
| نگهدارنده | [] |
| ایمیل نگهدارنده | [] |
| نویسنده | Julian Blank |
| ایمیل نویسنده | blankjul@msu.edu |
| آدرس صفحه اصلی | - |
| آدرس اینترنتی | https://pypi.org/project/ezmodel/ |
| مجوز | Apache License 2.0 |
ezmodel - A common interface for models and model selection
====================================================================
For more information about our toolbox, users are encouraged to read our documentation.
https://anyoptimization.com/projects/ezmodel/
|python| |license|
.. |python| image:: https://img.shields.io/badge/python-3.9-blue.svg
:alt: python 3.6
.. |license| image:: https://img.shields.io/badge/license-apache-orange.svg
:alt: license apache
:target: https://www.apache.org/licenses/LICENSE-2.0
Installation
====================================================================
The official release is always available at PyPi:
.. code:: bash
pip install -U ezmodel
Usage
==================================
Benchmarking
==================================
.. code:: python
import numpy as np
import pandas as pd
pd.set_option('display.expand_frame_repr', False)
pd.set_option('max_colwidth', 1000)
from ezmodel.core.benchmark import Benchmark
from ezmodel.core.factory import models_from_clazzes
from ezmodel.models.kriging import Kriging
from ezmodel.models.rbf import RBF
from ezmodel.util.partitioning.crossvalidation import CrossvalidationPartitioning
X = np.random.random((100, 3)) * 2 * np.pi
y = np.sin(X).sum(axis=1)
models = models_from_clazzes(RBF, Kriging)
# set up the benchmark and add the models to be used
benchmark = Benchmark(models, n_threads=4, verbose=True, raise_exception=True)
# create partitions to validate the performance of each model
partitions = CrossvalidationPartitioning(k_folds=5, seed=1).do(X)
# runs the experiment with the specified partitioning
benchmark.do(X, y, partitions=partitions)
# print out the benchmark results
print(benchmark.statistics("mae", sort="ascending"))
::
mae
mean std min max median
label
Kriging[regr=constant,corr=gauss,thetaU=100,ARD=False] 0.017159 0.007472 0.009658 0.025359 0.014855
Kriging[regr=constant,corr=gauss,thetaU=20,ARD=False] 0.017159 0.007472 0.009658 0.025359 0.014855
Kriging[regr=linear,corr=gauss,thetaU=100,ARD=False] 0.018064 0.008069 0.010350 0.027456 0.014246
Kriging[regr=linear,corr=gauss,thetaU=20,ARD=False] 0.018064 0.008069 0.010350 0.027456 0.014246
Kriging[regr=constant,corr=gauss,thetaU=100,ARD=True] 0.021755 0.007409 0.011955 0.028896 0.025163
Kriging[regr=constant,corr=gauss,thetaU=20,ARD=True] 0.021755 0.007409 0.011955 0.028896 0.025163
Kriging[regr=linear,corr=gauss,thetaU=20,ARD=True] 0.025018 0.011348 0.011576 0.040585 0.022124
Kriging[regr=linear,corr=gauss,thetaU=100,ARD=True] 0.025018 0.011348 0.011576 0.040585 0.022124
Kriging[regr=constant,corr=exp,thetaU=100,ARD=False] 0.034493 0.009328 0.025092 0.045610 0.030661
Kriging[regr=constant,corr=exp,thetaU=20,ARD=False] 0.034493 0.009328 0.025092 0.045610 0.030661
Kriging[regr=linear,corr=exp,thetaU=100,ARD=False] 0.035734 0.009922 0.025611 0.047926 0.031473
Kriging[regr=linear,corr=exp,thetaU=20,ARD=False] 0.035734 0.009922 0.025611 0.047926 0.031473
Kriging[regr=constant,corr=exp,thetaU=100,ARD=True] 0.051527 0.010941 0.037944 0.065866 0.047440
Kriging[regr=constant,corr=exp,thetaU=20,ARD=True] 0.051527 0.010941 0.037944 0.065866 0.047440
Kriging[regr=linear,corr=exp,thetaU=100,ARD=True] 0.065867 0.025312 0.039058 0.104449 0.059957
Kriging[regr=linear,corr=exp,thetaU=20,ARD=True] 0.065867 0.025312 0.039058 0.104449 0.059957
RBF[kernel=cubic,tail=quadratic,normalized=True] 0.121947 0.033552 0.077895 0.167120 0.127345
RBF[kernel=cubic,tail=constant,normalized=True] 0.125348 0.037982 0.072579 0.169413 0.140753
RBF[kernel=cubic,tail=linear,normalized=True] 0.125474 0.038609 0.071268 0.169843 0.137987
RBF[kernel=cubic,tail=linear+quadratic,normalized=True] 0.126070 0.039773 0.071279 0.171862 0.135489
RBF
----------------------------------
.. code:: python
import matplotlib.pyplot as plt
import numpy as np
from ezmodel.models.rbf import RBF
from ezmodel.util.sample_from_func import sine_function
rbf = RBF(kernel="gaussian")
# create some data to test this model on
X, y, _X, _y = sine_function(20, 200)
# let the model fit the data
rbf.fit(X, y)
# predict the data using the model
y_hat = rbf.predict(_X)
# predict the data using the model
_X = _X[np.argsort(_X[:, 0])]
y_hat = rbf.predict(_X)
plt.scatter(X, y, label="Data")
plt.plot(_X, y_hat, color="black", label="RBF")
plt.legend()
plt.show()
Kriging
----------------------------------
.. code:: python
import matplotlib.pyplot as plt
import numpy as np
from ezmodel.models.kriging import Kriging
from ezmodel.util.sample_from_func import square_function
model = Kriging(regr="linear",
corr="gauss",
ARD=False)
# create some data to test this model on
X, y, _X, _y = square_function(100, 20)
# let the model fit the data
model.fit(X, y)
# predict the data using the model
y_hat = model.predict(_X)
# predict the data using the model
_X = _X[np.argsort(_X[:, 0])]
y_hat = model.predict(_X)
plt.scatter(X, y, label="Data")
plt.plot(_X, y_hat, color="black", label="RBF")
plt.legend()
plt.show()
Contact
=======
Feel free to contact us if you have any question:
::
Julian Blank (blankjul [at] msu.edu)
Michigan State University
Computational Optimization and Innovation Laboratory (COIN)
East Lansing, MI 48824, USA
زبان مورد نیاز
| مقدار | نام |
|---|---|
| >=3.6 | Python |
نحوه نصب
نصب پکیج whl ezmodel-0.2.0:
pip install ezmodel-0.2.0.whl
نصب پکیج tar.gz ezmodel-0.2.0:
pip install ezmodel-0.2.0.tar.gz