scalg

Алгоритм оценки (Scalg)

Этот алгоритм работает на основе принципа близости в процентах. Первоначально он был разработан для личного проекта, однако позже я обнаружил, что это форма метода Ньютона, используемого в статистике для решения уравнений максимального правдоподобия.

Использование

 pip install scalg

По состоянию на 15 сентября 2020 года он содержит два метода ( score и оценка score_columns ), которые будут описаны и продемонстрированы в примерах ниже.

 import scalg

Примеры

Это будет пример набора данных, используемый в качестве Source_data, с примерами с соответствующими индексами и весами столбцов.

 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]]

Метод оценки

Вывод, если вы проходите в Source_Data и весах:

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]]

Вывод, если вы проходите в source_data, веса и get_scores = true:

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

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

Вывод, если вы проходите в source_data, веса и 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]]

Это выдает оценку каждого элемента в списке по сравнению с другими элементами, сохраняя свою позицию.

Метод столбцов

Здесь вы можете использовать те же веса, которые вы бы использовали в scalg.score , или вы можете указать веса каждого столбца в соответствующем порядке. В этом примере использование аргумента веса [1, 0, 0, 1] или [0, 1] не будет иметь значения.

Вывод, если вы проходите в Source_Data, столбцы и веса:

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]]

Оценка была рассчитана только на основе столбцов 0 и 1.