Auger-ML预测python和命令行界面
auger.ai.predict的Python项目详细描述
安装
pip install auger.ai.predict
在俄歇人工智能预测在
Auger-ML预测Python API和命令行界面
下载导出模型
要下载导出的模型,可以使用:
- 在俄歇.ai网址:https://app.auger.ai
- 在俄歇.ai命令行接口:https://pypi.org/project/auger.ai/
使用导出模型预测
- 使用模型解压缩文件
- 跑客户端.py从模型文件夹:
python<;model_path>/客户端.py--路径到路径预测
--path_to_predict—包含要预测的数据的文件的路径。应该包含用于训练模型的特性 --model_path-包含型号PKGZ.L文件
例如:
python./models/export_9BB0BFA3D368454/客户端.py--路径\u预测/文件/棒球_预测.csv--model_path./models/export_9BB0BFA3D368454/model
在客户端.py命令行参数
--路径\u到\u predict要预测的文件的路径
--model_路径到具有模型的文件夹的路径
--用于使用predict_proba计算目标的阈值
——如果预测数据包含实际目标,则预测后得分0/1
在俄歇人工智能预测Python API
螺旋钻_ml.model_出口商.模型导出器
ModelExporter提供俄歇预测API的接口。在
- 在
ModelExporter(选项)-构造ModelExporter实例。在
- 选项-可选参数。现在必须是{}
- 在
predict_by_model(model_path,path_predict=None,records=None,features=None,threshold=None)-根据导出的模型和数据生成预测
- 在
model_path-包含型号.pkl.gz文件
在 - 在
路径_to_predict-要预测的数据
在 - 在
记录-要预测的数据:列表列表。在本例中,“路径”到“预测”应为“无”。例如:[[0.1,0.2],[0.1,0.3]]
在 - 在
功能-记录的功能名称。仅当记录不是“无”时使用
在 - 在
阈值-设置阈值以根据概率生成分类预测。proba_u列将被添加到每个目标类的预测结果中
在 - 在
RETURN:predicts-如果predict的路径不是None,那么使用precitions或pandas dataframe在同一目录中文件
在
示例:
^{pr2}$ 在 - 在
- 在
load_model(model_path)-从文件加载模型。在
- 在
model_path-包含型号.pkl.gz文件
在 - 在
返回:model,timeseries_model
- 模型-调用预测的ML模型
- timeseries\u model-flag是不是这个timeseries模型
- 在
- 在
{str{u,无数据预处理}数据路径{u,无数据预处理。它处理数据的方式与模型中使用的列车数据相同
- 在
model_path-包含型号.pkl.gz文件
在 - 在
data_path-要预处理的数据
在 - 在
记录-要预测的数据:列表列表。在这种情况下,data_path应为None。例如:[[0.1,0.2],[0.1,0.3]]
在 - 在
功能-记录的功能名称。仅当记录不是“无”时使用
在 - 在
返回:X检验,Y检验,目标分类
- X_测试-调用预测的数据
- Y峎测试-具有目标值的数组
- target_categoricals-dict with categories for target,可用于获取实际目标值
示例:
def predict_by_model_example(path_to_predict=None, model_path=None): model_exporter = ModelExporter({}) model, timeseries_model = model_exporter.load_model(model_path) X_test, Y_test, target_categoricals = model_exporter.preprocess_data(model_path, data_path=path_to_predict) results = model.predict(X_test) # If your target is categorical you can translate predicted values back to original: # target_feature = "target" # categories = target_categoricals[target_feature]['categories'] # results = map(lambda x: categories[int(x)], results)
timeseries数据示例:
在def predict_by_model_timeseries_example(path_to_predict=None, model_path=None): model_exporter = ModelExporter({}) model, timeseries_model = model_exporter.load_model(model_path) X_test, Y_test, target_categoricals = model_exporter.preprocess_data(model_path, data_path=path_to_predict) if timeseries_model: results = model.predict((X_test, Y_test, False))[-1:] else: results = model.predict(X_test.iloc[-1:])
- 在
- 项目
标签: