dcdevaluation

DCDEVALAUTION（解码 - 评估包）

DCDEVALAUTION是一个优化模型评估过程的库。它是基于基于圣保罗 - 巴西的一家名为Decode的公司数据科学团队的必需品。就目前的早期阶段而言，它仅支持分类模型。

支持指标

• KS
• roc auc
• F1得分
• 精确
• 记起
• 准确性
• “不良费率图”

要求

• Scikit-Learn（> 0.23.2）
• 熊猫（> 1.0.5）
• matplotlib（> 3.3.0）
• numpy（> 1.18.5）

用户安装

• 安装

pip install dcdevaluation

• 输入

from dcdevaluation import Evaluators

方法

init

要使用“评估者”类，请将其安装到通过概率列表的python对象中（您的模型输出）和数据库的真实值（用于训练模型的目标功能）

• 例如：

train_dataset = Evaluators(predicted_y, true_y)

评价（）

属性的所有受支持指标的分数（请参见上文）to select“数据集”

 train_dataset.evaluate ()

此方法返回：

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

to_table（）

使用所有受支持的指标创建PANDAS数据框架

 train_dataset.to_table ()

此方法返回：

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

split_rate_graph（bin）

创建一个图表，显示模型的好或坏率

具有属性垃圾箱，允许用户更改所需的拆分数（默认值= 10）

 train_dataset.split_rate_graph ()

find_cut（min，max）

显示20个不同切割点的精度，召回和F1得分。

还可以选择选择一系列切割点（默认值：min = 0，max = 20）

 train_dataset.find_cut ()

roc_curve（数据集）

以图形为图显示De Roc曲线，并将其与“硬币”进行比较。

 train_dataset.ROC_auc ()