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

A library to build and test machine learning features

ویژگی	مقدار
سیستم عامل	-
نام فایل	featureforge-0.1.6
نام	featureforge
نسخه کتابخانه	0.1.6
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Rafael Carrascosa, Daniel Moisset, Javier Mansilla
ایمیل نویسنده	rcarrascosa@machinalis.com
آدرس صفحه اصلی	https://github.com/machinalis/featureforge
آدرس اینترنتی	https://pypi.org/project/featureforge/
مجوز	-

Feature Forge ============= This library provides a set of tools that can be useful in many machine learning applications (classification, clustering, regression, etc.), and particularly helpful if you use scikit-learn (although this can work if you have a different algorithm). Most machine learning problems involve an step of feature definition and preprocessing. Feature Forge helps you with: * Defining and documenting features * Testing your features against specified cases and against randomly generated cases (stress-testing). This helps you making your application more robust against invalid/misformatted input data. This also helps you checking that low-relevance results when doing feature analysis is actually because the feature is bad, and not because there's a slight bug in your feature code. * Evaluating your features on a data set, producing a feature evaluation matrix. The evaluator has a robust mode that allows you some tolerance both for invalid data and buggy features. * Experimentation: running, registering, classifying and reproducing experiments for determining best settings for your problems. Installation ------------ Just `pip install featureforge`. Documentation ------------- Documentation is available at http://feature-forge.readthedocs.org/en/latest/ Contact information ------------------- Feature Forge is © 2014 Machinalis (http://www.machinalis.com/). Its primary authors are: * Javier Mansilla <jmansilla@machinalis.com> (jmansilla at github) * Daniel Moisset <dmoisset@machinalis.com> (dmoisset at github) * Rafael Carrascosa <rcarrascosa@machinalis.com> (rafacarrascosa at github) Any contributions or suggestions are welcome, the official channel for this is submitting github pull requests or issues. Changelog --------- 0.1.6: - Bug fixes related to sparse matrices. - Small documentation improvements. - Reduced default logging verbosity. 0.1.5: - Using sparse numpy matrices by default. 0.1.4: - Discarded the need of using forked version of Schema library. 0.1.3: - Added support for running and generating stats for experiments 0.1.2: - Fixing installer dependencies 0.1.1: - Added support for python 3 - Added support for bag-of-words features 0.1: - Initial release

نحوه نصب

نصب پکیج whl featureforge-0.1.6:

pip install featureforge-0.1.6.whl

نصب پکیج tar.gz featureforge-0.1.6:

pip install featureforge-0.1.6.tar.gz