zipml

zipml

ZIPML是一個針對小型數據集設計的輕量級汽車庫，提供了必需的助手功能，例如火車測試拆分，模型比較和混淆矩陣生成。

特徵

• 自動化模型培訓：自動培訓和比較數據集上的機器學習模型。
• 輔助功能：
  • 火車測試拆分功能，可輕鬆數據管理。
  • 混淆矩陣生成及其將其保存為PNG的能力。
  • 自定義記錄功能，以更好地跟踪模型的性能。
• 模型比較：輕鬆地比較不同模型的性能，提供指標和視覺反饋。
• CLI支持：直接從命令行運行機器學習任務。
• 可擴展：添加自己的模型並根據需要自定義工作流程。
• 可視化工具：包括可視化模型性能指標的工具，有助於更好地理解模型行為。
• 高參數調整：支持高參數調整以優化模型性能。
• 數據預處理：內置數據預處理步驟，以處理缺失值，縮放和編碼。

---

包裝結構

zipml/
│
├── data/
│   ├── encoding.py
│   ├── file_operations.py
│   ├── split_data.py
│
├── model/
│   ├── analyze_model_predictions.py
│   ├── calculate_model_results.py
│   ├── measure_prediction_time.py
│
├── utils/
│   ├── calculate_sentence_length_percentile.py
│   ├── read_time_series_data.py
│
├── visualization/
│   ├── combine_and_plot_model_results.py
│   ├── plot_random_image.py
│   ├── plot_time_series.py
│   ├── save_and_plot_confusion_matrix.py
│
└── zipml.py

---

如何使用zipml軟件包

zipml軟件包提供了各種實用程序，用於預處理數據，分析模型和可視化結果，所有實用程序都旨在簡化AI和機器學習工作流程。以下是使用一些關鍵功能的說明。

1。模型評估

• analyze_model_predictions.py ：通過將模型預測與實際值進行比較，並返回預測的詳細數據框架以及最不正確的預測來評估模型預測。

   from zipml . model import analyze_model_predictions
  val_df , most_wrong = analyze_model_predictions ( best_model , X_test , y_test )

安裝

通過PIP安裝軟件包：

pip install zipml

或者，克隆存儲庫：

git clone https://github.com/abdozmantar/zipml.git
cd zipml
pip install . 

用法

用代碼示例用法

這是如何使用ZIPML的一個實際示例：

 import pandas as pd
from zipml . model import analyze_model_predictions
from zipml . model import calculate_model_results
from zipml . visualization import save_and_plot_confusion_matrix
from zipml . data import split_data
from zipml import compare_models
from sklearn . ensemble import RandomForestClassifier , GradientBoostingClassifier
from sklearn . linear_model import LogisticRegression


# Sample dataset
data = {
    'feature_1' : [ 0.517 , 0.648 , 0.105 , 0.331 , 0.781 , 0.026 , 0.048 ],
    'feature_2' : [ 0.202 , 0.425 , 0.643 , 0.721 , 0.646 , 0.827 , 0.303 ],
    'feature_3' : [ 0.897 , 0.579 , 0.014 , 0.167 , 0.015 , 0.358 , 0.744 ],
    'feature_4' : [ 0.457 , 0.856 , 0.376 , 0.527 , 0.648 , 0.534 , 0.047 ],
    'feature_5' : [ 0.046 , 0.118 , 0.222 , 0.001 , 0.969 , 0.239 , 0.203 ],
    'target' : [ 0 , 1 , 1 , 1 , 1 , 1 , 0 ]
}

# Creating DataFrame
df = pd . DataFrame ( data )

# Splitting data into features (X) and target (y)
X = df . drop ( 'target' , axis = 1 )
y = df [ 'target' ]

# Split the data into training and test sets
X_train , X_test , y_train , y_test = split_data ( X , y )

# Define models
models = [
    RandomForestClassifier (),
    LogisticRegression (),
    GradientBoostingClassifier ()
]

# Compare models and select the best one
best_model , performance = compare_models ( models , X_train , X_test , y_train , y_test )
print ( f"Best model: { best_model } with performance: { performance } " )

# Calculate performance metrics for the best model
best_model_metrics = calculate_model_results ( y_test , best_model . predict ( X_test ))

# Analyze model predictions
val_df , most_wrong = analyze_model_predictions ( best_model , X_test , y_test )

# Save and plot confusion matrix
save_and_plot_confusion_matrix ( y_test , best_model . predict ( X_test ), save_path = "confusion_matrix.png" )

CLI用法

您可以使用以下命令從命令行中運行ZIPML：

訓練單個模型

zipml --train train.csv --test test.csv --model randomforest --result results.json

• --train ：訓練數據集CSV文件的路徑。
• --test ：測試數據集CSV文件的路徑。
• --model ：要訓練的模型的名稱（例如， randomforest ， logisticregression ， gradientboosting ）。
• --result ：通往JSON文件的路徑將保存結果。

比較多個模型

zipml --train train.csv --test test.csv --compare --compare_models randomforest svc knn --result results.json

• --compare ：指示多個模型比較的標誌。
• --compare_models ：要比較的模型列表（例如， randomforest ， logisticregression ， gradientboosting ）。
• --result ：將保存比較結果的JSON文件的路徑。

加載預訓練的模型並進行預測

zipml --load_model trained_model.pkl --test test.csv --result predictions.json

• --load_model ：保存模型文件的路徑。
• --test ：測試數據集CSV文件的路徑。
• --result ：將保存預測的JSON文件的路徑。

保存訓練有素的模型

在培訓後保存訓練有素的模型：

zipml --train train.csv --test test.csv --model randomforest --save_model trained_model.pkl

• --result ：將保存訓練模型的文件的路徑。

輸出

• 培訓和比較命令的輸出將包括各種性能指標，例如準確性，精度，召回和F1分數。
• 結果將以JSON格式保存，使其易於審查和分析。

依賴性

• Python 3.6+
• 貓熊
• Scikit-Learn
• matplotlib
• 海洋

貢獻

1. 分叉存儲庫。
2. 創建您的功能分支（ git checkout -b feature/foo ）。
3. 提交您的更改（ git commit -am 'Add some foo' ）。
4. 推到分支（ git push origin feature/foo ）。
5. 打開拉動請求。

作者

Abdullah Ozmantar github：@abdozmantar

執照

該項目是根據MIT許可證獲得許可的 - 有關詳細信息，請參見許可證文件。