zipml

zipml

Zipml 은 소형 데이터 세트 용으로 설계된 경량 자동 라이브러리로 열차 테스트 분할, 모델 비교 및 ​​혼동 매트릭스 생성과 같은 필수 도우미 기능을 제공합니다.

특징

• 자동화 된 모델 교육 : 데이터 세트에서 기계 학습 모델을 자동으로 교육하고 비교합니다.
• 도우미 기능 :
  • 쉬운 데이터 관리를위한 열차 테스트 분할 기능.
  • 혼란 매트릭스 생성 및 PNG로 저장하는 능력.
  • 모델 성능을 더 잘 추적하기위한 사용자 정의 로깅 기능.
• 모델 비교 : 메트릭과 시각적 피드백을 제공하는 다른 모델의 성능을 쉽게 비교하십시오.
• CLI 지원 : 명령 줄에서 직접 머신 러닝 작업을 실행하십시오.
• 확장 가능 : 자신의 모델을 추가하고 필요에 따라 워크 플로를 사용자 정의하십시오.
• 시각화 도구 : 모델 성능 메트릭을 시각화하기위한 도구가 포함되어 있으며 모델 동작을 더 잘 이해하는 데 도움이됩니다.
• 하이퍼 파라미터 튜닝 : 모델 성능을 최적화하기위한 하이퍼 파라미터 튜닝 지원.
• 데이터 전처리 : 실송 값, 스케일링 및 인코딩을 처리하기위한 내장 데이터 전처리 단계.

---

패키지 구조

zipml/
│
├── data/
│   ├── encoding.py
│   ├── file_operations.py
│   ├── split_data.py
│
├── model/
│   ├── analyze_model_predictions.py
│   ├── calculate_model_results.py
│   ├── measure_prediction_time.py
│
├── utils/
│   ├── calculate_sentence_length_percentile.py
│   ├── read_time_series_data.py
│
├── visualization/
│   ├── combine_and_plot_model_results.py
│   ├── plot_random_image.py
│   ├── plot_time_series.py
│   ├── save_and_plot_confusion_matrix.py
│
└── zipml.py

---

zipml 패키지 사용 방법

zipml 패키지는 AI 및 기계 학습 워크 플로를 단순화하도록 설계된 데이터 전처리 데이터, 모델 분석 및 결과 시각화를위한 다양한 유틸리티를 제공합니다. 다음은 주요 기능 중 일부를 사용하는 지침입니다.

1. 모델 평가

• analyze_model_predictions.py : 모델 예측을 실제 값과 비교하여 모델 예측을 평가하고 가장 잘못된 예측과 함께 자세한 예측 데이터를 반환합니다.

   from zipml . model import analyze_model_predictions
  val_df , most_wrong = analyze_model_predictions ( best_model , X_test , y_test )

설치

PIP를 통해 패키지 설치 :

pip install zipml

또는 저장소를 복제하십시오.

git clone https://github.com/abdozmantar/zipml.git
cd zipml
pip install . 

용법

코드의 예제 예제

다음은 zipml을 사용하는 방법에 대한 실질적인 예입니다.

 import pandas as pd
from zipml . model import analyze_model_predictions
from zipml . model import calculate_model_results
from zipml . visualization import save_and_plot_confusion_matrix
from zipml . data import split_data
from zipml import compare_models
from sklearn . ensemble import RandomForestClassifier , GradientBoostingClassifier
from sklearn . linear_model import LogisticRegression


# Sample dataset
data = {
    'feature_1' : [ 0.517 , 0.648 , 0.105 , 0.331 , 0.781 , 0.026 , 0.048 ],
    'feature_2' : [ 0.202 , 0.425 , 0.643 , 0.721 , 0.646 , 0.827 , 0.303 ],
    'feature_3' : [ 0.897 , 0.579 , 0.014 , 0.167 , 0.015 , 0.358 , 0.744 ],
    'feature_4' : [ 0.457 , 0.856 , 0.376 , 0.527 , 0.648 , 0.534 , 0.047 ],
    'feature_5' : [ 0.046 , 0.118 , 0.222 , 0.001 , 0.969 , 0.239 , 0.203 ],
    'target' : [ 0 , 1 , 1 , 1 , 1 , 1 , 0 ]
}

# Creating DataFrame
df = pd . DataFrame ( data )

# Splitting data into features (X) and target (y)
X = df . drop ( 'target' , axis = 1 )
y = df [ 'target' ]

# Split the data into training and test sets
X_train , X_test , y_train , y_test = split_data ( X , y )

# Define models
models = [
    RandomForestClassifier (),
    LogisticRegression (),
    GradientBoostingClassifier ()
]

# Compare models and select the best one
best_model , performance = compare_models ( models , X_train , X_test , y_train , y_test )
print ( f"Best model: { best_model } with performance: { performance } " )

# Calculate performance metrics for the best model
best_model_metrics = calculate_model_results ( y_test , best_model . predict ( X_test ))

# Analyze model predictions
val_df , most_wrong = analyze_model_predictions ( best_model , X_test , y_test )

# Save and plot confusion matrix
save_and_plot_confusion_matrix ( y_test , best_model . predict ( X_test ), save_path = "confusion_matrix.png" )

CLI 사용

다음 명령을 사용하여 명령 줄에서 ZipML을 실행할 수 있습니다.

단일 모델을 훈련하십시오

zipml --train train.csv --test test.csv --model randomforest --result results.json

• --train : 교육 데이터 세트 CSV 파일로가는 경로.
• --test : 테스트 데이터 세트 CSV 파일로가는 경로.
• --model : 교육 할 모델의 이름 (예 : randomforest , logisticregression , gradientboosting ).
• --result : 결과가 저장 될 JSON 파일로가는 경로.

여러 모델을 비교하십시오

zipml --train train.csv --test test.csv --compare --compare_models randomforest svc knn --result results.json

• --compare : 다중 모델 비교를 나타내는 플래그.
• --compare_models : 비교할 모델 목록 (예 : randomforest , logisticregression , gradientboosting ).
• --result : 비교 결과가 저장되는 JSON 파일로가는 경로.

미리 훈련 된 모델을로드하고 예측하십시오

zipml --load_model trained_model.pkl --test test.csv --result predictions.json

• --load_model : 저장된 모델 파일로가는 경로.
• --test : 테스트 데이터 세트 CSV 파일로가는 경로.
• --result : 예측이 저장 될 JSON 파일로가는 경로.

훈련 된 모델을 저장하십시오

훈련 후 훈련 된 모델을 저장하려면 :

zipml --train train.csv --test test.csv --model randomforest --save_model trained_model.pkl

• --result : 훈련 된 모델이 저장 될 파일로의 경로.

산출

• 교육 및 비교 명령의 출력에는 정확도, 정밀, 리콜 및 F1 점수와 같은 다양한 성능 메트릭이 포함됩니다.
• 결과는 JSON 형식으로 저장되어 검토 및 분석이 쉽습니다.

의존성

• 파이썬 3.6+
• 팬더
• Scikit-Learn
• matplotlib
• 슈타본

기여

1. 저장소를 포크하십시오.
2. 피처 브랜치를 만듭니다 ( git checkout -b feature/foo ).
3. 변경 사항을 커밋하십시오 ( git commit -am 'Add some foo' ).
4. 분기 ( git push origin feature/foo )로 푸시하십시오.
5. 풀 요청을 엽니 다.

작가

Abdullah Ozmantar Github : @abdozmantar

특허

이 프로젝트는 MIT 라이센스에 따라 라이센스가 부여됩니다. 자세한 내용은 라이센스 파일을 참조하십시오.