dcdevaluation

DCDevaluation (حزمة التقييم)

DCDevaluation هي مكتبة تعمل على تحسين عملية تقييم النموذج. تم بناؤه بناءً على ضرورات علوم البيانات التابعة لشركة تدعى Decode ، بناءً على ساو باولو - البرازيل. كما هو الحال في المراحل المبكرة ، في الوقت الحالي ، فإنه يدعم نماذج التصنيف فقط.

مقاييس مدعومة

• KS
• ROC AUC
• F1 درجة
• دقة
• يتذكر
• دقة
• "الرسم البياني المعدل السيئ"

متطلبات

• Scikit-Learn (> 0.23.2)
• Pandas (> 1.0.5)
• Matplotlib (> 3.3.0)
• Numpy (> 1.18.5)

تثبيت المستخدم

• التثبيت

pip install dcdevaluation

• الاستيراد

from dcdevaluation import Evaluators

طُرق

init

لاستخدام فئة "المقيمين" ، قم بتركيبها في كائن بيثون الذي يمرر قائمة بالاحتمالات (سيتم إخراجها بواسطة النموذج الخاص بك) والقيمة الحقيقية لقاعدة البيانات الخاصة بك (ميزة الهدف المستخدمة لتدريب النموذج الخاص بك)

• على سبيل المثال:

train_dataset = Evaluators(predicted_y, true_y)

يقيم()

عشرات السمات لجميع المقاييس المدعومة (انظر أعلاه) إلى "مجموعة البيانات" الخاصة بك

 train_dataset.evaluate ()

هذه الطريقة تعود:

train_dataset.ks
train_dataset.auc
train_dataset.f1
train_dataset.precision
train_dataset.recall
train_dataset.accuracy

to_table ()

يخلق ملف بيانات Pandas مع جميع المقاييس المدعومة

 train_dataset.to_table ()

هذه الطريقة تعود:

 # DataFrame with all supported metrics
train_dataset.metric_df
# Transposed DataFrame
train_dataset.t_metric_df

split_rate_graph (صناديق)

ينشئ رسم بياني يوضح المعدل الجيد أو السيئ لنموذجك

لديه صناديق السمات ، والتي تسمح للمستخدم بتغيير العدد المطلوب من الانقسامات (افتراضي = 10)

 train_dataset.split_rate_graph ()

Find_cut (Min ، Max)

يظهر الدقة ، استدعاء ودرجة F1 لمدة 20 نقطة قطع مختلفة.

لديه أيضًا خيار تحديد مجموعة من نقاط القطع (الافتراضي: min = 0 ، max = 20)

 train_dataset.find_cut ()

ROC_CURVE (مجموعة البيانات)

ينشئ كرسوم بيانية يوضح منحنى de roc ومقارنة مع "العملة".

 train_dataset.ROC_auc ()