dcdevaluation

DCDevaluation (Decodo - Evaluierungspaket)

DCDevaluation ist eine Bibliothek, die den Modellbewertungsprozess optimiert. Es wurde auf der Grundlage der Notwendigkeiten des Data Science -Teams eines Unternehmens namens Decode gebaut, das auf São Paulo - Brasilien basiert. Wie in den frühen Stadien unterstützt es vorerst nur Klassifizierungsmodelle.

Unterstützte Metriken

• Ks
• ROC AUC
• F1-Score
• Präzision
• Abrufen
• Genauigkeit
• "Schlechte Rate Graph"

Anforderungen

• Scikit-Learn (> 0,23,2)
• Pandas (> 1.0.5)
• Matplotlib (> 3.3.0)
• Numpy (> 1.18.5)

Benutzerinstallation

• Installation

pip install dcdevaluation

• Import

from dcdevaluation import Evaluators

Methoden

Init

Um die Klasse "Evaluatoren" zu verwenden, in ein Python -Objekt in ein Python -Objekt über eine Liste von Wahrscheinlichkeiten (wird von Ihrem Modell ausgegeben) und den tatsächlichen Wert Ihrer Datenbank (Zielfunktion zum Training Ihres Modells ausgegeben) eingeleitet.

• Z.B:

train_dataset = Evaluators(predicted_y, true_y)

auswerten()

Attribute Scores für alle unterstützten Metriken (siehe oben) zu Ihrem Auswahl "Datensatz"

 train_dataset.evaluate ()

Diese Methode kehrt zurück:

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

to_table ()

Erstellt einen Pandas -Datenframe mit allen unterstützten Metriken

 train_dataset.to_table ()

Diese Methode kehrt zurück:

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

Split_Rate_Graph (Behälter)

Erstellt eine Grafik, die die gute oder schlechte Rate Ihres Modells zeigt

Hat die Attributbins, die es dem Benutzer ermöglichen, die gewünschte Anzahl von Splits zu ändern (Standard = 10)

 train_dataset.split_rate_graph ()

find_cut (min, max)

Zeigt Präzision, Rückruf und F1 -Score für 20 verschiedene Schneidpunkte an.

Hat auch die Möglichkeit, einen Bereich von Schneidpunkten auszuwählen (Standardeinstellung: min = 0, max = 20)

 train_dataset.find_cut ()

ROC_CURVE (Datensatz)

Erstellt als Graph, die die ROC -Kurve zeigt und es ist Vergleich mit "The Münze".

 train_dataset.ROC_auc ()