تنزيل zipml - تنزيل رمز المصدر zipml

zipml

كود الذكاء الاصطناعي

1.0.0

تنزيل

zipml

ZIPML هي مكتبة السيارات خفيفة الوزن مصممة لمجموعات البيانات الصغيرة ، وتوفر وظائف مساعد أساسية مثل تقسيم اختبار القطار ، ومقارنة النماذج ، وتوليد مصفوفة الارتباك.

سمات

تدريب النماذج الآلية : تدريب ومقارنة نماذج التعلم الآلي تلقائيًا على مجموعة البيانات الخاصة بك.
وظائف المساعدة :
- وظائف تقسيم اختبار القطار لإدارة البيانات السهلة.
- جيل المصفوفة الارتباك والقدرة على حفظه كـ PNG.
- ميزات التسجيل المخصصة لتتبع أفضل لأداء النموذج الخاص بك.
مقارنة النموذج : قارن أداء النماذج المختلفة بسهولة ، وتوفير المقاييس والتعليقات المرئية.
دعم CLI : قم بتشغيل مهام التعلم الآلي مباشرة من سطر الأوامر.
قابلة للتمديد : أضف النماذج الخاصة بك وتخصيص مهام سير العمل حسب الحاجة.
أدوات التصور : تتضمن أدوات لتصور مقاييس أداء النموذج ، والمساعدة في فهم سلوك النموذج بشكل أفضل.
ضبط الفائقة المفرطة : دعم لضبط Hyperparameter لتحسين أداء النموذج.
المعالجة المسبقة للبيانات : خطوات المعالجة المسبقة للبيانات المدمجة للتعامل مع القيم المفقودة والتوسيع والترميز.

بنية الحزمة

zipml/
│
├── data/
│   ├── encoding.py
│   ├── file_operations.py
│   ├── split_data.py
│
├── model/
│   ├── analyze_model_predictions.py
│   ├── calculate_model_results.py
│   ├── measure_prediction_time.py
│
├── utils/
│   ├── calculate_sentence_length_percentile.py
│   ├── read_time_series_data.py
│
├── visualization/
│   ├── combine_and_plot_model_results.py
│   ├── plot_random_image.py
│   ├── plot_time_series.py
│   ├── save_and_plot_confusion_matrix.py
│
└── zipml.py

كيفية استخدام حزمة `zipml`

توفر حزمة zipml مجموعة متنوعة من الأدوات المساعدة لبيانات المعالجة المسبقة ، وتحليل النماذج ، وتصور النتائج ، وكلها مصممة لتبسيط مهام سير عمل التعلم الآلي. فيما يلي تعليمات استخدام بعض وظائف المفاتيح.

1. تقييم النموذج

analyze_model_predictions.py : يقوم بتقييم التنبؤات النموذجية من خلال مقارنتها بالقيم الفعلية وإرجاع إطار بيانات مفصل للتنبؤات جنبًا إلى جنب مع أكثر التنبؤات غير الصحيحة.
```
 from zipml . model import analyze_model_predictions
val_df , most_wrong = analyze_model_predictions ( best_model , X_test , y_test )
```

تثبيت

قم بتثبيت الحزمة عبر PIP:

pip install zipml

بدلاً من ذلك ، استنساخ المستودع:

git clone https://github.com/abdozmantar/zipml.git
cd zipml
pip install .

الاستخدام

مثال الاستخدام مع الكود

إليك مثال عملي على كيفية استخدام zipml:

 import pandas as pd
from zipml . model import analyze_model_predictions
from zipml . model import calculate_model_results
from zipml . visualization import save_and_plot_confusion_matrix
from zipml . data import split_data
from zipml import compare_models
from sklearn . ensemble import RandomForestClassifier , GradientBoostingClassifier
from sklearn . linear_model import LogisticRegression


# Sample dataset
data = {
    'feature_1' : [ 0.517 , 0.648 , 0.105 , 0.331 , 0.781 , 0.026 , 0.048 ],
    'feature_2' : [ 0.202 , 0.425 , 0.643 , 0.721 , 0.646 , 0.827 , 0.303 ],
    'feature_3' : [ 0.897 , 0.579 , 0.014 , 0.167 , 0.015 , 0.358 , 0.744 ],
    'feature_4' : [ 0.457 , 0.856 , 0.376 , 0.527 , 0.648 , 0.534 , 0.047 ],
    'feature_5' : [ 0.046 , 0.118 , 0.222 , 0.001 , 0.969 , 0.239 , 0.203 ],
    'target' : [ 0 , 1 , 1 , 1 , 1 , 1 , 0 ]
}

# Creating DataFrame
df = pd . DataFrame ( data )

# Splitting data into features (X) and target (y)
X = df . drop ( 'target' , axis = 1 )
y = df [ 'target' ]

# Split the data into training and test sets
X_train , X_test , y_train , y_test = split_data ( X , y )

# Define models
models = [
    RandomForestClassifier (),
    LogisticRegression (),
    GradientBoostingClassifier ()
]

# Compare models and select the best one
best_model , performance = compare_models ( models , X_train , X_test , y_train , y_test )
print ( f"Best model: { best_model } with performance: { performance } " )

# Calculate performance metrics for the best model
best_model_metrics = calculate_model_results ( y_test , best_model . predict ( X_test ))

# Analyze model predictions
val_df , most_wrong = analyze_model_predictions ( best_model , X_test , y_test )

# Save and plot confusion matrix
save_and_plot_confusion_matrix ( y_test , best_model . predict ( X_test ), save_path = "confusion_matrix.png" )

استخدام CLI

يمكنك تشغيل zipml من سطر الأوامر باستخدام الأوامر التالية:

تدريب نموذج واحد

zipml --train train.csv --test test.csv --model randomforest --result results.json

--train : مسار إلى ملف CSV TATH TO THE THE THE THE TRAING CSV.
--test : مسار إلى ملف مجموعة بيانات اختبار CSV.
--model : اسم النموذج المراد تدريبه (على سبيل المثال ، randomforest ، logisticregression ، gradientboosting ).
--result : مسار إلى ملف JSON حيث سيتم حفظ النتائج.

قارن نماذج متعددة

zipml --train train.csv --test test.csv --compare --compare_models randomforest svc knn --result results.json

--compare : علامة للإشارة إلى مقارنة نموذج متعددة.
--compare_models : قائمة من النماذج للمقارنة (على سبيل المثال ، randomforest ، logisticregression ، gradientboosting ).
--result : المسار إلى ملف JSON حيث سيتم حفظ نتائج المقارنة.

قم بتحميل نموذج تم تدريبه مسبقًا وجعل التنبؤات

zipml --load_model trained_model.pkl --test test.csv --result predictions.json

--load_model : مسار إلى ملف النموذج المحفوظ.
--test : مسار إلى ملف مجموعة بيانات اختبار CSV.
--result : مسار إلى ملف JSON حيث سيتم حفظ التنبؤات.

حفظ النموذج المدرب

لإنقاذ النموذج المدرب بعد التدريب:

zipml --train train.csv --test test.csv --model randomforest --save_model trained_model.pkl

--result : مسار إلى الملف حيث سيتم حفظ النموذج المدرب.

الإخراج

سيتضمن إخراج أوامر التدريب والمقارنة مقاييس الأداء المختلفة مثل الدقة والدقة والاستدعاء ودرجة F1.
سيتم حفظ النتائج بتنسيق JSON ، مما يجعلها سهلة المراجعة والتحليل.