dcdevaluation

DCDevaluation (Decode - Paket Evaluasi)

DCDevaluasi adalah perpustakaan yang mengoptimalkan proses evaluasi model. Itu dibangun berdasarkan kebutuhan tim sains data sebuah perusahaan bernama Decode, berdasarkan São Paulo - Brasil. Seperti pada tahap awal, untuk saat ini, itu hanya mendukung model klasifikasi.

Metrik yang didukung

• Ks
• ROC AUC
• F1-score
• Presisi
• Mengingat
• Ketepatan
• "Grafik Tingkat Buruk"

Persyaratan

• scikit-learn (> 0,23.2)
• Panda (> 1.0.5)
• Matplotlib (> 3.3.0)
• Numpy (> 1.18.5)

Instalasi Pengguna

• Menginstal

pip install dcdevaluation

• Pengimporan

from dcdevaluation import Evaluators

Metode

Init

Untuk menggunakan kelas "Evaluator", instanciate ke dalam objek Python yang melewati daftar probabilitas (akan dikeluarkan oleh model Anda) dan nilai sebenarnya dari basis data Anda (fitur target yang digunakan untuk melatih model Anda)

• Misalnya:

train_dataset = Evaluators(predicted_y, true_y)

mengevaluasi()

Atribut Skor untuk semua metrik yang didukung (lihat di atas) ke "Dataset" pilih Anda

 train_dataset.evaluate ()

Metode ini kembali:

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

to_table ()

Membuat Pandas DataFrame dengan semua metrik yang didukung

 train_dataset.to_table ()

Metode ini kembali:

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

split_rate_graph (tempat sampah)

Membuat grafik yang menunjukkan tingkat baik atau buruk dari model Anda

Memiliki nampan atribut, yang memungkinkan pengguna untuk mengubah jumlah split yang diinginkan (default = 10)

 train_dataset.split_rate_graph ()

find_cut (min, max)

Menunjukkan skor presisi, penarikan dan F1 untuk 20 titik pemotongan yang berbeda.

Juga memiliki opsi untuk memilih berbagai titik pemotongan (default: min = 0, maks = 20)

 train_dataset.find_cut ()

Roc_curve (dataset)

Membuat sebagai grafik yang menunjukkan kurva de roc dan perbandingan dengan "koin".

 train_dataset.ROC_auc ()