dcdevaluation

DCDevaluation (ถอดรหัส - แพ็คเกจการประเมินผล)

DCDevaluation เป็นไลบรารีที่ปรับกระบวนการประเมินแบบจำลองให้เหมาะสม มันถูกสร้างขึ้นตามความจำเป็นของทีมวิทยาศาสตร์ข้อมูลของ บริษัท ชื่อ Decode ซึ่งตั้งอยู่บนพื้นฐานของเซาเปาโล - บราซิล เนื่องจากอยู่ในระยะแรกสำหรับตอนนี้มันรองรับโมเดลการจำแนกประเภทเท่านั้น

ตัวชี้วัดที่รองรับ

• KS
• ROC AUC
• คะแนน F1
• ความแม่นยำ
• ระลึกถึง
• ความแม่นยำ
• "กราฟอัตราที่ไม่ดี"

ความต้องการ

• Scikit-learn (> 0.23.2)
• แพนด้า (> 1.0.5)
• matplotlib (> 3.3.0)
• numpy (> 1.18.5)

การติดตั้งผู้ใช้

• การติดตั้ง

pip install dcdevaluation

• การนำเข้า

from dcdevaluation import Evaluators

วิธีการ

การเริ่มต้น

ในการใช้คลาส "ผู้ประเมินผล" ให้เข้าสู่วัตถุ Python ที่ผ่านรายการความน่าจะเป็น (จะถูกส่งออกโดยโมเดลของคุณ) และค่าที่แท้จริงของฐานข้อมูลของคุณ (คุณสมบัติเป้าหมายที่ใช้ฝึกอบรมโมเดลของคุณ)

• เช่น:

train_dataset = Evaluators(predicted_y, true_y)

ประเมิน()

คะแนนแอตทริบิวต์สำหรับตัวชี้วัดที่รองรับทั้งหมด (ดูด้านบน) ไปยังชุดข้อมูลที่เลือกของคุณ "

 train_dataset.evaluate ()

วิธีนี้กลับมา:

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

to_table ()

สร้าง dataframe pandas ด้วยตัวชี้วัดที่รองรับทั้งหมด

 train_dataset.to_table ()

วิธีนี้กลับมา:

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

STIFL_RATE_GRAPH (BINS)

สร้างกราฟที่แสดงอัตราที่ดีหรือไม่ดีของโมเดลของคุณ

มีถังขยะแอตทริบิวต์ซึ่งอนุญาตให้ผู้ใช้เปลี่ยนจำนวนการแยกที่ต้องการ (default = 10)

 train_dataset.split_rate_graph ()

find_cut (นาที, สูงสุด)

แสดงให้เห็นถึงความแม่นยำการเรียกคืนและคะแนน F1 สำหรับ 20 จุดตัดที่แตกต่างกัน

นอกจากนี้ยังมีตัวเลือกในการเลือกช่วงของจุดตัด (ค่าเริ่มต้น: min = 0, max = 20)

 train_dataset.find_cut ()

ROC_CURVE (ชุดข้อมูล)

สร้างเป็นกราฟที่แสดงเส้นโค้งเดอ ROC และเปรียบเทียบกับ "เหรียญ"

 train_dataset.ROC_auc ()