معرفی شرکت ها

fast-ensemble-0.0.5

Card image cap
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
Card image cap
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
Card image cap
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
Card image cap
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
Card image cap
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
0.0.5
0.0.4
0.0.3
0.0.2
0.0.1

توضیحات

Library for high level model ensembling
ویژگی مقدار
سیستم عامل -
نام فایل fast-ensemble-0.0.5
نام fast-ensemble
نسخه کتابخانه 0.0.5
نگهدارنده []
ایمیل نگهدارنده []
نویسنده leffff
ایمیل نویسنده levnovitskiy@gmail.com
آدرس صفحه اصلی https://github.com/leffff/fast-ensemble
آدرس اینترنتی https://pypi.org/project/fast-ensemble/
مجوز MIT
[![PyPI version](https://img.shields.io/pypi/v/fast-ensemble.svg?colorB=4cc61e)](https://pypi.org/project/fast-ensemble/) [![PyPI license](https://img.shields.io/pypi/l/fast-ensemble.svg)](https://github.com/leffff/fast-ensemble/blob/main/LICENSE) [![PyPI pyversions](https://img.shields.io/pypi/pyversions/fast-ensemble.svg)](https://pypi.python.org/pypi/fast-ensemble/) # fast-ensemble Scikit-learn-style library for effecient and convenient high level table model ensembling --- ## Usage Example: Initialize Stack ```python from catboost import CatBoostRegressor from lightgbm import LGBMRegressor from sklearn.datasets import make_regression from sklearn.ensemble import GradientBoostingRegressor from sklearn.metrics import mean_squared_error from xgboost import XGBRegressor from fast_ensemble import StackingTransformer from fast_ensemble import ( CatBoostRegressorWrapper, LGBMRegressorWrapper, XGBRegressorWrapper, ) stack_1 = StackingTransformer( models=[ ( "catboost", CatBoostRegressorWrapper( CatBoostRegressor(verbose=0), use_best_model=True, early_stopping_rounds=100, ), ), ( "xgboost", XGBRegressorWrapper( XGBRegressor(), use_best_model=True, early_stopping_rounds=100 ), ), ( "lgmb", LGBMRegressorWrapper( LGBMRegressor(), use_best_model=True, early_stopping_rounds=100 ), ), ("boosting", GradientBoostingRegressor()), ], main_metric=mean_squared_error, regression=True, n_folds=5, random_state=None, shuffle=False, verbose=True, stratified=True, stratification_bins=7 ) ``` And another one ```python stack_2 = StackingTransformer( models=[ ("Dummy Regressor", DummyRegressor()), ], main_metric=mean_squared_error, regression=True, n_folds=5, random_state=None, shuffle=False, verbose=True, stratified=True, stratification_bins=7 ) ``` Train your stacks (and get transformed dataframes) ```python X, y = make_regression(n_targets=1) X_1_trans = stack_1.fit_transform(X, y) X_2_trans = stack_2.fit_transform(X, y) ``` Want to merge 2 stacks for convenience? Here you go! ```python stack_1.merge(stack_2) stack_1.get_scores(prettified=True) catboost xgboost lgmb boosting Dummy Regressor 0 9852.055535 23389.781003 8872.055479 13130.504063 21344.359900 1 14259.407424 20177.587908 12040.548492 14088.529604 28620.260635 2 16393.254421 24267.409682 9503.011118 15067.349045 33377.287468 3 12694.791124 16349.931831 7188.301326 10675.853608 29510.019041 4 17505.264716 12158.834533 10273.547605 9621.041119 39099.670810 ```


زبان مورد نیاز

مقدار نام
>=3.7 Python


نحوه نصب


نصب پکیج whl fast-ensemble-0.0.5:

    pip install fast-ensemble-0.0.5.whl


نصب پکیج tar.gz fast-ensemble-0.0.5:

    pip install fast-ensemble-0.0.5.tar.gz