dcdevaluation

DCDevaluation (Decode - Package d'évaluation)

DCDevaluation est une bibliothèque qui optimise le processus d'évaluation du modèle. Il a été construit sur la base des nécessités de l'équipe de science des données d'une entreprise nommée Decode, basée sur São Paulo - Brésil. Comme dans ses premiers stades, pour l'instant, il ne prend en charge que les modèles de classification.

Métriques prises en charge

• Ks
• Roc AUC
• F1-score
• Précision
• Rappel
• Précision
• "Graphique de mauvais taux"

Exigences

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

Installation d'utilisateurs

• Installation

pip install dcdevaluation

• Importation

from dcdevaluation import Evaluators

Méthodes

Init

Pour utiliser la classe "Evaluators", instanciez-la dans un objet Python transmettant une liste de probabilités (sera publié par votre modèle) et la vraie valeur de votre base de données (fonctionnalité cible utilisée pour former votre modèle)

• Par exemple:

train_dataset = Evaluators(predicted_y, true_y)

évaluer()

Attributs Scores pour toutes les mesures prises en charge (voir ci-dessus) à votre "ensemble de données" sélectionné "

 train_dataset.evaluate ()

Cette méthode renvoie:

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

to_Table ()

Crée un Pandas DataFrame avec toutes les mesures prises en charge

 train_dataset.to_table ()

Cette méthode renvoie:

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

Split_rate_graph (bacs)

Crée un graphique montrant le bon ou le mauvais taux de votre modèle

A les bacs d'attribut, qui permet à l'utilisateur de modifier le nombre souhaité de fentes (default = 10)

 train_dataset.split_rate_graph ()

find_cut (min, max)

Montre la précision, le rappel et le score F1 pour 20 points de coupe différents.

A également la possibilité de sélectionner une gamme de points de coupe (par défaut: min = 0, max = 20)

 train_dataset.find_cut ()

Roc_curve (ensemble de données)

Crée comme graphique montrant de la courbe de roc et sa comparaison avec "la pièce".

 train_dataset.ROC_auc ()