dcdevaluation

DCDEvaluation (Pacote de Decodificação - Avaliação)

DCDEvaluation é uma biblioteca que otimiza o processo de avaliação do modelo. Foi construído com base nas necessidades da equipe de ciência de dados de uma empresa chamada Decode, baseada em São Paulo - Brasil. Como está em seus estágios iniciais, por enquanto, ele suporta apenas modelos de classificação.

Métricas suportadas

• KS
• Roc auc
• F1-score
• Precisão
• Lembrar
• Precisão
• "Gráfico de taxa ruim"

Requisitos

• Scikit-Learn (> 0,23.2)
• Pandas (> 1.0.5)
• Matplotlib (> 3.3.0)
• Numpy (> 1.18.5)

Instalação do usuário

• Instalação

pip install dcdevaluation

• Importação

from dcdevaluation import Evaluators

Métodos

Init

Para usar a classe "Avaliadores", a instancule em um objeto Python que passa em uma lista de probabilidades (será emitido pelo seu modelo) e o valor verdadeiro do seu base de dados (recurso de destino usado para treinar seu modelo)

• Por exemplo:

train_dataset = Evaluators(predicted_y, true_y)

avaliar()

Atributos Pontuações para todas as métricas suportadas (veja acima) para o seu "conjunto de dados" selecionado

 train_dataset.evaluate ()

Este método retorna:

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

to_table ()

Cria um quadro de dados de pandas com todas as métricas suportadas

 train_dataset.to_table ()

Este método retorna:

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

split_rate_graph (caixas)

Cria um gráfico mostrando a taxa boa ou ruim do seu modelo

Tem os caixotes de atributo, que permitem ao usuário alterar o número desejado de divisões (padrão = 10)

 train_dataset.split_rate_graph ()

Find_cut (min, max)

Mostra precisão, recall e pontuação de F1 para 20 pontos de corte diferentes.

Também tem a opção de selecionar uma variedade de pontos de corte (padrão: min = 0, max = 20)

 train_dataset.find_cut ()

Roc_curve (conjunto de dados)

Cria como gráfico mostrando a curva de roc e é comparação com "a moeda".

 train_dataset.ROC_auc ()