dcdevaluation

dcDevaluation (decodificación - paquete de evaluación)

DCDevaluation es una biblioteca que optimiza el proceso de evaluación del modelo. Fue construido en base a las necesidades del equipo de ciencia de datos de una compañía llamada Decode, basada en São Paulo - Brasil. Como está en sus primeras etapas, por ahora, solo admite modelos de clasificación.

Métricas compatibles

• Kansas
• AUC ROC
• Puntaje F1
• Precisión
• Recordar
• Exactitud
• "Gráfico de tasa mala"

Requisitos

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

Instalación de usuario

• Instalación

pip install dcdevaluation

• Importador

from dcdevaluation import Evaluators

Métodos

Inicio

Para usar la clase "Evaluadores", instanciéla en un objeto Python que pase una lista de probabilidades (su modelo será generado por su modelo) y el verdadero valor de su base de datos (característica de destino utilizada para capacitar a su modelo)

• P.ej:

train_dataset = Evaluators(predicted_y, true_y)

evaluar()

Puntajes de atributos para todas las métricas compatibles (ver arriba) a su "conjunto de datos" seleccionado

 train_dataset.evaluate ()

Este método regresa:

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

to_table ()

Crea un marco de datos de pandas con todas las métricas compatibles

 train_dataset.to_table ()

Este método regresa:

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

Split_Rate_Graph (contenedores)

Crea un gráfico que muestra la tasa buena o mala de su modelo

Tiene los contenedores de atributos, que le permite al usuario cambiar el número deseado de divisiones (predeterminado = 10)

 train_dataset.split_rate_graph ()

find_cut (min, max)

Muestra precisión, recuperación y puntaje F1 para 20 puntos de corte diferentes.

También tiene la opción de seleccionar un rango de puntos de corte (predeterminado: min = 0, max = 20)

 train_dataset.find_cut ()

Roc_curve (conjunto de datos)

Crea como gráfico que muestra la curva de roc y es comparación con "la moneda".

 train_dataset.ROC_auc ()