dcdevaluation

DCDevaluation (Decode - Package)

DCDevaluation - это библиотека, которая оптимизирует процесс оценки модели. Он был построен на основе потребностей команды по науке о данных компании под названием Decode, основанной на Сан -Паулу - Бразилии. Как и на ранних стадиях, пока он поддерживает только модели классификации.

Поддерживаемые метрики

• KS
• ROC AUC
• F1-показатель
• Точность
• Отзывать
• Точность
• "График плохой скорости"

Требования

• Scikit-learn (> 0,23,2)
• Панды (> 1,0,5)
• Matplotlib (> 3.3.0)
• Numpy (> 1.18.5)

Пользовательская установка

• Установка

pip install dcdevaluation

• Импорт

from dcdevaluation import Evaluators

Методы

Инициатор

Чтобы использовать класс «оценщиков», приспосабливайте его в объект Python, передавая список вероятностей (будет выведена вашей моделью) и истинное значение вашей базы данных (целевая функция, используемая для обучения вашей модели)

• Например:

train_dataset = Evaluators(predicted_y, true_y)

оценивать()

Оценки атрибутов для всех поддерживаемых метрик (см. Выше) для вашего выбора «набор данных»

 train_dataset.evaluate ()

Этот метод возвращает:

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

to_table ()

Создает пандас данных со всеми поддерживаемыми метриками

 train_dataset.to_table ()

Этот метод возвращает:

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

split_rate_graph (bins)

Создает график, показывающий хорошую или плохую скорость вашей модели

Имеет бункеры атрибутов, которые позволяют пользователю изменить желаемое количество расколов (по умолчанию = 10)

 train_dataset.split_rate_graph ()

find_cut (мин, макс)

Показывает точность, отзыв и оценку F1 для 20 различных точек резки.

Также есть возможность выбрать диапазон точек резки (по умолчанию: min = 0, max = 20)

 train_dataset.find_cut ()

Roc_curve (набор данных)

Создает как график, показывающий кривую de roc, и это сравнение с «монетой».

 train_dataset.ROC_auc ()