scalg

Algoritmo de pontuação (Scalg)

Esse algoritmo funciona com base em um princípio de proximidade percentual. Inicialmente, foi desenvolvido para um projeto pessoal, no entanto, mais tarde descobri que é uma forma do método de Newton usado em estatísticas para resolver equações de máxima verossimilhança.

Uso

 pip install scalg

Em 15 de setembro de 2020, ele contém dois métodos ( score e score_columns ), que serão descritos e demonstrados nos exemplos abaixo.

 import scalg

Exemplos

Este será o conjunto de dados de amostra usado como fonte_data com os exemplos com os índices correspondentes e os pesos da coluna.

 Columns ->  0     1      2      3
Weights ->  1     0      0      1
        1[[2016 ,21999 ,62000  ,181],
Sets -> 2 [2013 ,21540 ,89000  ,223],
        3 [2015 ,18900 ,100000 ,223],
        4 [2013 ,24200 ,115527 ,223],
        5 [2016 ,24990 ,47300  ,223]]

Método de pontuação

A saída se você passar em fonte_data e pesos:

scalg.score(source_data, [1, 0, 0, 1])

 [[2016, 21999, 62000,  181, 2.2756757812463335],
 [2013, 21540, 89000,  223, 1.9553074815952338],
 [2015, 18900, 100000, 223, 2.894245191297678],
 [2013, 24200, 115527, 223, 1.1297208538587848],
 [2016, 24990, 47300,  223, 3.0]]

A saída se você passar em fonte_data, pesos e get_scores = true:

scalg.score(source_data, [1, 0, 0, 1], get_scores=True)

 [2.2756757812463335, 1.9553074815952338, 2. 894245191297678, 1.1297208538587848, 3.0]

A saída se você passar em fonte_data, pesos e get_score_lists = true:

scalg.score(source_data, [1, 0, 0, 1], get_score_lists=True)

 [[1.0                 ,0.0, 0.6666666666666666 ,0.0                      ,1.0]
 [0.49113300492610834 ,0.5665024630541872      ,1.0, 0.12972085385878485 ,0.0]
 [0.7845427763202251  ,0.38880501854104677     ,0.22757852463101114      ,0.0]
 [0.0                 ,1.0                     ,1.0                      ,1.0]]

Isso fornece a pontuação de cada elemento da lista em comparação com outros elementos, mantendo sua posição.

Método de colunas de pontuação

Aqui você pode usar os mesmos pesos que você usaria em scalg.score , ou pode especificar os pesos de cada coluna na ordem correspondente. Neste exemplo, usando o argumento de pesos [1, 0, 0, 1] ou [0, 1] não faria diferença.

A saída se você passar em fonte_data, colunas e pesos:

scalg.score_columns(source_data, [0, 1], [1, 0, 0, 1])

 Scored columns            Scores for corresponding columns
   0|    1|                  |
[[2016 ,21999 ,62000  ,181 ,1.4911330049261085],
 [2013 ,21540 ,89000  ,223 ,0.5665024630541872],
 [2015 ,18900 ,100000 ,223 ,1.6666666666666665],
 [2013 ,24200 ,115527 ,223 ,0.12972085385878485],
 [2016 ,24990 ,47300  ,223 ,1.0]]

A pontuação foi calculada apenas com base nas colunas 0 e 1.