Python ml-tooling包_程序模块 - PyPI

机器学习实用程序库

ml-tooling的Python项目详细描述

模型工具库

codecoov " rel="nofollow"> python 3 " rel="nofollow">

安装

使用pip安装： PIP安装ML工具

内容

变压器
- 与scikit学习管道一起使用的变压器库
模型基类
- 用于子类化的生产基类-保证API中使用的接口
绘图功能
- 用于生成好的常用绘图（如roc_曲线和混淆矩阵）的函数

模型数据

定义模型的基类。子类必须定义两个方法：

获取预测数据（）
函数，给定一个输入，获取相应的特征。用于预测看不见的观察结果
获取培训数据（）
检索所有训练数据的函数。用于培训和评估模型

示例用法

使用modeldata定义一个类并实现两个必需的方法。在这里，我们只需使用sklearn.datasets在波士顿数据集上实现线性回归

fromml_toolingimportModelDatafromsklearn.datasetsimportload_bostonfromsklearn.linear_modelimportLinearRegression,Ridge,LassoLars# Define a new classclassBostonModel(ModelData):defget_prediction_data(self,idx):x,_=load_boston(return_X_y=True)returnx[idx]# Return given observationdefget_training_data(self):returnload_boston(return_X_y=True)# Use our new class to implement a given sklearn compatible estimatorlinear_boston=BostonModel(LinearRegression())results=linear_boston.score_estimator()# Visualize resultsresults.plot.residuals()results.plot.prediction_error()# Save estimatorlinear_boston.save_estimator()# Recreate estimatorBostonModel.load_estimator('.')# Train Different models and get the best performingestimators_to_try=[LinearRegression(),Ridge(),LassoLars()]# best_estimator will be BostonModel instantiated with the highest scoring model. all_results is a list of all results best_estimator,alL_results=BostonModel.test_estimators(estimators_to_try,metric='neg_mean_squared_error')alL_results.to_dataframe(params=False)

配置

ml_工具实现了许多用于建模的默认设置。

您可以通过访问.config属性来查看配置。只需修改相关配置即可更改此配置。

BostonModel.config.RANDOM_STATE=2

配置选项

冗长

默认为0。详细sklearn输出的级别

分类器度量

默认为"精确"。用于分类器问题的度量

回归度量

默认为"r2"。回归问题中要使用的度量

交叉验证

默认为10。要使用的交叉验证迭代次数

样式表

默认为内置ALM品牌样式。要在绘图中使用的matplotlib样式表的路径

n_个作业

默认为-1。在多处理情况下使用的核心数。

测试尺寸

默认为0.25。作为测试数据的数据百分比。

随机状态

默认为42。要使用的随机状态种子。

运行目录

默认为"./运行"。存储运行日志文件的文件夹

型号U DIR

默认为"./models"。存储腌制模型的文件夹

log

默认为false。切换是否登录到文件。设置为真如果希望记录每次运行，则使用.log 上下文管理器，用于切换一次运行。

方法

基类实现了许多有用的方法

`保存估计器（路径=无，文件名=无）`

将模型另存为二进制文件。默认为当前工作目录，文件名为<；类名>；\ult；模型名>；\ult；git\u hash>；.pkl但是可以提供自定义文件名。

`加载估计器（路径）`

用joblib pickled模型实例化类。如果未指定路径，则搜索与模式匹配的最新文件的路径

`得分估计器（metric='accurity'，cv=false）`

加载所有训练数据并在其上训练模型，使用train_test split。返回包含所有结果参数的结果对象默认为非交叉验证评分。如果要交叉验证，请将折叠次数传递给cv

`训练估计器（）`

加载所有训练数据并在所有数据上训练模型。通常用作模型优化完成时的最后一步。将.result属性设置为none

`进行预测（*args）`

对给定的输入进行预测。例如客户编号。传递给实现的get_prediction_data（）方法，并调用估计器上的.predict（）

`测试估计器（[model1，model2]，metric='accurity'）`

在每个模型上运行score_estimator（），保存结果。返回所有结果的最佳模型和结果组

`网格搜索（param_grid）`

使用传入的参数网格在模型上运行GridSearch。该功能将确保它也能在管道内工作。

`设置估计器（）`

由用户设置估计器实现的是加载未训练模型的类方法。通常，这将设置一个管道和选定的模型，以便于培训

回到前面的bostonmodel示例，让我们实现一个setup_估计器方法

fromml_toolingimportModelDatafromsklearn.datasetsimportload_bostonfromsklearn.preprocessingimportStandardScalerfromsklearn.linear_modelimportLinearRegressionfromsklearn.pipelineimportPipelineimportpandasaspdclassBostonModel(ModelData):defget_prediction_data(self,idx):data=load_boston()df=pd.DataFrame(data=data.data,columns=data.feature_names)returndf.iloc[idx]# Return given observationdefget_training_data(self):data=load_boston()returnpd.DataFrame(data=data.data,columns=data.feature_names),data.target@classmethoddefsetup_estimator(cls):pipeline=Pipeline([('scaler',StandardScaler()),('clf',LinearRegression())])returncls(pipeline)

在这种额外的设置下，很容易加载未经训练的模型来训练它：

model=BostonModel.setup_estimator()model.train_estimator()

`日志（日志目录）`

log（）是一个上下文管理器，允许您为随后的任何评分方法打开日志记录。您可以传递日志目录来指定要存储模型的子文件夹。输出是一个yaml 文件记录模型参数、包版本号、度量和其他有用信息

用法示例：

model=BostonModel.setup_estimator()withmodel.log('score'):model.score_estimator()

这将把model.score_estimator（）的结果保存到runs/score/

`可视化结果`

当一个模型被训练时，它返回一个结果对象。根据模型的类型，该对象有许多可视化选项：

这里列出的任何可视化工具在ml\u tooling.plots中也有一个功能对应的工具。例如，如果您想使用函数绘制混淆矩阵，而不使用使用ml_tooling modeldata方法，您可以来自ml_tooling.plots import plot_confusion矩阵

这些功能对应项都反映了sklearn metrics api，采用y_target和y_pred 作为参数

fromml_tooling.plotsimportplot_confusion_matriximportnumpyasnpy_true=np.array([1,0,1,0])y_pred=np.array([1,0,0,0])plot_confusion_matrix(y_true,y_pred)

`分类器`

roc_曲线（**kwargs）：
可视化分类模型的roc曲线。模型必须实现一个predict_proba方法。任何夸克都会传递到matplotlib。
pr_曲线（**kwargs）：
可视化分类模型的精确召回曲线。模型必须实现一个predict_proba方法。任何夸克都会传递到matplotlib。
混淆矩阵（标准化=真，**kwargs）：
可视化分类模型的混淆矩阵。规范化确定是否规范化带注释的类计数。任何夸克都会传递到matplotlib。
功能重要性（示例，值=真，顶部=无，底部=无，N U作业覆盖=无，**kwargs）：
使用置换计算每个要素的重要性。重要性是以模型度量的下降来衡量的。样本确定要使用的样本数，并且必须设置如果samples=none则使用原始数据集，但不建议用于小型数据集。如果samples是介于0和1之间的一个float值，则通过从原始数据集重新采样和替换来生成一个新的较小的数据集。这不建议用于小数据集，但可能适用于非常大的数据集。如果将samples设置为int则通过从原始数据中重新采样和替换来生成大小为samples的新数据集。推荐用于小数据集，以确保对特征重要性的稳定估计。如果top_n是一个整数，则返回top_n功能；如果top_n是（0，1）之间的一个浮点数，则返回top_n功能百分比。如果底部特征是整数，则返回底部特征；如果底部特征是浮动特征（0，1），则返回底部特征百分比。将n_jobs_overwrite设置为int将覆盖模型设置的设置。
提升曲线（**kwargs）：
可视化分类模型的提升曲线。模型必须实现一个predict_proba方法。任何夸克都会传递到matplotlib。

`回归函数`

预测错误（**kwargs）：
可视化回归模型的预测误差。任何夸克都会传递到matplotlib。
残差（**kwargs）：
可视化回归模型的残差。任何夸克都会传递到matplotlib。
功能重要性（示例，值=真，顶部=无，底部=无，N U作业覆盖=无，**kwargs）：
使用置换计算每个要素的重要性。重要性是以模型度量的下降来衡量的。样本确定要使用的样本数，并且必须进行设置。
如果samples=none则使用不建议用于小数据集的原始数据集。
如果samples是介于0和1之间的一个float值，则通过从原始数据集重新采样和替换来生成一个新的较小的数据集。这不建议用于小数据集，但可能适用于非常大的数据集。
如果将samples设置为int则通过从原始数据中重新采样和替换来生成大小为samples的新数据集。建议用于小型数据集，以确保对功能重要性的稳定估计。
如果top_n是一个整数，则返回top_n功能；如果top_n是（0，1）之间的一个浮点数，则返回top_n功能百分比。如果底部的是一个整数，则返回底部的功能；如果底部的是介于（0，1）之间的一个浮动，则返回底部的功能百分比。
将n_jobs_overwrite设置为int将覆盖模型设置的设置。

`变压器`

库还提供了许多用于在管道中处理数据帧的转换器

`选择`

列选择器-提供要在管道中传递的列的列表

`示例`

fromml_tooling.transformersimportSelectimportpandasaspddf=pd.DataFrame({"id":[1,2,3,4],"status":["OK","Error","OK","Error"],"sales":[2000,3000,4000,5000]})select=Select(['id','status'])select.fit_transform(df)

Out[1]: 
   id status
0   1     OK
1   2  Error
2   3     OK
3   4  Error

`圆角`

用给定值或策略填充NA值。必须提供价值或策略。

`值示例`

fromml_tooling.transformersimportFillNAimportpandasaspdimportnumpyasnpdf=pd.DataFrame({"id":[1,2,3,4],"status":["OK","Error","OK","Error"],"sales":[2000,3000,4000,np.nan]})fill_na=FillNA(value=0)fill_na.fit_transform(df)

fromml_toolingimportModelDatafromsklearn.datasetsimportload_bostonfromsklearn.linear_modelimportLinearRegression,Ridge,LassoLars# Define a new classclassBostonModel(ModelData):defget_prediction_data(self,idx):x,_=load_boston(return_X_y=True)returnx[idx]# Return given observationdefget_training_data(self):returnload_boston(return_X_y=True)# Use our new class to implement a given sklearn compatible estimatorlinear_boston=BostonModel(LinearRegression())results=linear_boston.score_estimator()# Visualize resultsresults.plot.residuals()results.plot.prediction_error()# Save estimatorlinear_boston.save_estimator()# Recreate estimatorBostonModel.load_estimator('.')# Train Different models and get the best performingestimators_to_try=[LinearRegression(),Ridge(),LassoLars()]# best_estimator will be BostonModel instantiated with the highest scoring model. all_results is a list of all results best_estimator,alL_results=BostonModel.test_estimators(estimators_to_try,metric='neg_mean_squared_error')alL_results.to_dataframe(params=False)

0
策略示例
内置的策略有"mean"、"median"、"most_freq"、"max"和"min"。"mean"的一个例子是：
fromml_toolingimportModelDatafromsklearn.datasetsimportload_bostonfromsklearn.linear_modelimportLinearRegression,Ridge,LassoLars# Define a new classclassBostonModel(ModelData):defget_prediction_data(self,idx):x,_=load_boston(return_X_y=True)returnx[idx]# Return given observationdefget_training_data(self):returnload_boston(return_X_y=True)# Use our new class to implement a given sklearn compatible estimatorlinear_boston=BostonModel(LinearRegression())results=linear_boston.score_estimator()# Visualize resultsresults.plot.residuals()results.plot.prediction_error()# Save estimatorlinear_boston.save_estimator()# Recreate estimatorBostonModel.load_estimator('.')# Train Different models and get the best performingestimators_to_try=[LinearRegression(),Ridge(),LassoLars()]# best_estimator will be BostonModel instantiated with the highest scoring model. all_results is a list of all results best_estimator,alL_results=BostonModel.test_estimators(estimators_to_try,metric='neg_mean_squared_error')alL_results.to_dataframe(params=False)1
fromml_toolingimportModelDatafromsklearn.datasetsimportload_bostonfromsklearn.linear_modelimportLinearRegression,Ridge,LassoLars# Define a new classclassBostonModel(ModelData):defget_prediction_data(self,idx):x,_=load_boston(return_X_y=True)returnx[idx]# Return given observationdefget_training_data(self):returnload_boston(return_X_y=True)# Use our new class to implement a given sklearn compatible estimatorlinear_boston=BostonModel(LinearRegression())results=linear_boston.score_estimator()# Visualize resultsresults.plot.residuals()results.plot.prediction_error()# Save estimatorlinear_boston.save_estimator()# Recreate estimatorBostonModel.load_estimator('.')# Train Different models and get the best performingestimators_to_try=[LinearRegression(),Ridge(),LassoLars()]# best_estimator will be BostonModel instantiated with the highest scoring model. all_results is a list of all results best_estimator,alL_results=BostonModel.test_estimators(estimators_to_try,metric='neg_mean_squared_error')alL_results.to_dataframe(params=False)2
分类
通过pd.categorical对分类值执行一次热编码。
将设置培训数据中未找到的所有分类值至0 
示例
fromml_toolingimportModelDatafromsklearn.datasetsimportload_bostonfromsklearn.linear_modelimportLinearRegression,Ridge,LassoLars# Define a new classclassBostonModel(ModelData):defget_prediction_data(self,idx):x,_=load_boston(return_X_y=True)returnx[idx]# Return given observationdefget_training_data(self):returnload_boston(return_X_y=True)# Use our new class to implement a given sklearn compatible estimatorlinear_boston=BostonModel(LinearRegression())results=linear_boston.score_estimator()# Visualize resultsresults.plot.residuals()results.plot.prediction_error()# Save estimatorlinear_boston.save_estimator()# Recreate estimatorBostonModel.load_estimator('.')# Train Different models and get the best performingestimators_to_try=[LinearRegression(),Ridge(),LassoLars()]# best_estimator will be BostonModel instantiated with the highest scoring model. all_results is a list of all results best_estimator,alL_results=BostonModel.test_estimators(estimators_to_try,metric='neg_mean_squared_error')alL_results.to_dataframe(params=False)3
fromml_toolingimportModelDatafromsklearn.datasetsimportload_bostonfromsklearn.linear_modelimportLinearRegression,Ridge,LassoLars# Define a new classclassBostonModel(ModelData):defget_prediction_data(self,idx):x,_=load_boston(return_X_y=True)returnx[idx]# Return given observationdefget_training_data(self):returnload_boston(return_X_y=True)# Use our new class to implement a given sklearn compatible estimatorlinear_boston=BostonModel(LinearRegression())results=linear_boston.score_estimator()# Visualize resultsresults.plot.residuals()results.plot.prediction_error()# Save estimatorlinear_boston.save_estimator()# Recreate estimatorBostonModel.load_estimator('.')# Train Different models and get the best performingestimators_to_try=[LinearRegression(),Ridge(),LassoLars()]# best_estimator will be BostonModel instantiated with the highest scoring model. all_results is a list of all results best_estimator,alL_results=BostonModel.test_estimators(estimators_to_try,metric='neg_mean_squared_error')alL_results.to_dataframe(params=False)4
functransformer
对每一列应用给定的函数
示例
fromml_toolingimportModelDatafromsklearn.datasetsimportload_bostonfromsklearn.linear_modelimportLinearRegression,Ridge,LassoLars# Define a new classclassBostonModel(ModelData):defget_prediction_data(self,idx):x,_=load_boston(return_X_y=True)returnx[idx]# Return given observationdefget_training_data(self):returnload_boston(return_X_y=True)# Use our new class to implement a given sklearn compatible estimatorlinear_boston=BostonModel(LinearRegression())results=linear_boston.score_estimator()# Visualize resultsresults.plot.residuals()results.plot.prediction_error()# Save estimatorlinear_boston.save_estimator()# Recreate estimatorBostonModel.load_estimator('.')# Train Different models and get the best performingestimators_to_try=[LinearRegression(),Ridge(),LassoLars()]# best_estimator will be BostonModel instantiated with the highest scoring model. all_results is a list of all results best_estimator,alL_results=BostonModel.test_estimators(estimators_to_try,metric='neg_mean_squared_error')alL_results.to_dataframe(params=False)5
fromml_toolingimportModelDatafromsklearn.datasetsimportload_bostonfromsklearn.linear_modelimportLinearRegression,Ridge,LassoLars# Define a new classclassBostonModel(ModelData):defget_prediction_data(self,idx):x,_=load_boston(return_X_y=True)returnx[idx]# Return given observationdefget_training_data(self):returnload_boston(return_X_y=True)# Use our new class to implement a given sklearn compatible estimatorlinear_boston=BostonModel(LinearRegression())results=linear_boston.score_estimator()# Visualize resultsresults.plot.residuals()results.plot.prediction_error()# Save estimatorlinear_boston.save_estimator()# Recreate estimatorBostonModel.load_estimator('.')# Train Different models and get the best performingestimators_to_try=[LinearRegression(),Ridge(),LassoLars()]# best_estimator will be BostonModel instantiated with the highest scoring model. all_results is a list of all results best_estimator,alL_results=BostonModel.test_estimators(estimators_to_try,metric='neg_mean_squared_error')alL_results.to_dataframe(params=False)6
可以为函数提供关键字参数。
fromml_toolingimportModelDatafromsklearn.datasetsimportload_bostonfromsklearn.linear_modelimportLinearRegression,Ridge,LassoLars# Define a new classclassBostonModel(ModelData):defget_prediction_data(self,idx):x,_=load_boston(return_X_y=True)returnx[idx]# Return given observationdefget_training_data(self):returnload_boston(return_X_y=True)# Use our new class to implement a given sklearn compatible estimatorlinear_boston=BostonModel(LinearRegression())results=linear_boston.score_estimator()# Visualize resultsresults.plot.residuals()results.plot.prediction_error()# Save estimatorlinear_boston.save_estimator()# Recreate estimatorBostonModel.load_estimator('.')# Train Different models and get the best performingestimators_to_try=[LinearRegression(),Ridge(),LassoLars()]# best_estimator will be BostonModel instantiated with the highest scoring model. all_results is a list of all results best_estimator,alL_results=BostonModel.test_estimators(estimators_to_try,metric='neg_mean_squared_error')alL_results.to_dataframe(params=False)7
fromml_toolingimportModelDatafromsklearn.datasetsimportload_bostonfromsklearn.linear_modelimportLinearRegression,Ridge,LassoLars# Define a new classclassBostonModel(ModelData):defget_prediction_data(self,idx):x,_=load_boston(return_X_y=True)returnx[idx]# Return given observationdefget_training_data(self):returnload_boston(return_X_y=True)# Use our new class to implement a given sklearn compatible estimatorlinear_boston=BostonModel(LinearRegression())results=linear_boston.score_estimator()# Visualize resultsresults.plot.residuals()results.plot.prediction_error()# Save estimatorlinear_boston.save_estimator()# Recreate estimatorBostonModel.load_estimator('.')# Train Different models and get the best performingestimators_to_try=[LinearRegression(),Ridge(),LassoLars()]# best_estimator will be BostonModel instantiated with the highest scoring model. all_results is a list of all results best_estimator,alL_results=BostonModel.test_estimators(estimators_to_try,metric='neg_mean_squared_error')alL_results.to_dataframe(params=False)8
宾纳
将数字数据放入提供的存储箱中
示例
fromml_toolingimportModelDatafromsklearn.datasetsimportload_bostonfromsklearn.linear_modelimportLinearRegression,Ridge,LassoLars# Define a new classclassBostonModel(ModelData):defget_prediction_data(self,idx):x,_=load_boston(return_X_y=True)returnx[idx]# Return given observationdefget_training_data(self):returnload_boston(return_X_y=True)# Use our new class to implement a given sklearn compatible estimatorlinear_boston=BostonModel(LinearRegression())results=linear_boston.score_estimator()# Visualize resultsresults.plot.residuals()results.plot.prediction_error()# Save estimatorlinear_boston.save_estimator()# Recreate estimatorBostonModel.load_estimator('.')# Train Different models and get the best performingestimators_to_try=[LinearRegression(),Ridge(),LassoLars()]# best_estimator will be BostonModel instantiated with the highest scoring model. all_results is a list of all results best_estimator,alL_results=BostonModel.test_estimators(estimators_to_try,metric='neg_mean_squared_error')alL_results.to_dataframe(params=False)9
BostonModel.config.RANDOM_STATE=20
重命名器
将列重命名为等于传递列表-必须按顺序进行
示例
BostonModel.config.RANDOM_STATE=21
BostonModel.config.RANDOM_STATE=22
日期编码器
基于日期字段添加年、月、日、周列。每个日期类型都可以在初始值设定项中切换
示例
BostonModel.config.RANDOM_STATE=23
BostonModel.config.RANDOM_STATE=24
频率特性
将列转换为规范化频率
示例
BostonModel.config.RANDOM_STATE=25
BostonModel.config.RANDOM_STATE=26
DFFeatureUnion
与数据帧等效的FeatureUnion。连接多个变压器的结果
示例
BostonModel.config.RANDOM_STATE=27
BostonModel.config.RANDOM_STATE=28
dfrowfunc
pandas数据帧上的按行操作。策略可以是预定义的，也可以是可调用的。如果行中的某些元素为NaN，则内置策略将忽略这些元素。
示例
BostonModel.config.RANDOM_STATE=29
fromml_toolingimportModelDatafromsklearn.datasetsimportload_bostonfromsklearn.preprocessingimportStandardScalerfromsklearn.linear_modelimportLinearRegressionfromsklearn.pipelineimportPipelineimportpandasaspdclassBostonModel(ModelData):defget_prediction_data(self,idx):data=load_boston()df=pd.DataFrame(data=data.data,columns=data.feature_names)returndf.iloc[idx]# Return given observationdefget_training_data(self):data=load_boston()returnpd.DataFrame(data=data.data,columns=data.feature_names),data.target@classmethoddefsetup_estimator(cls):pipeline=Pipeline([('scaler',StandardScaler()),('clf',LinearRegression())])returncls(pipeline)0
内置策略是"sum"、"min"和"max"。策略也可以是可调用的：
fromml_toolingimportModelDatafromsklearn.datasetsimportload_bostonfromsklearn.preprocessingimportStandardScalerfromsklearn.linear_modelimportLinearRegressionfromsklearn.pipelineimportPipelineimportpandasaspdclassBostonModel(ModelData):defget_prediction_data(self,idx):data=load_boston()df=pd.DataFrame(data=data.data,columns=data.feature_names)returndf.iloc[idx]# Return given observationdefget_training_data(self):data=load_boston()returnpd.DataFrame(data=data.data,columns=data.feature_names),data.target@classmethoddefsetup_estimator(cls):pipeline=Pipeline([('scaler',StandardScaler()),('clf',LinearRegression())])returncls(pipeline)1
fromml_toolingimportModelDatafromsklearn.datasetsimportload_bostonfromsklearn.preprocessingimportStandardScalerfromsklearn.linear_modelimportLinearRegressionfromsklearn.pipelineimportPipelineimportpandasaspdclassBostonModel(ModelData):defget_prediction_data(self,idx):data=load_boston()df=pd.DataFrame(data=data.data,columns=data.feature_names)returndf.iloc[idx]# Return given observationdefget_training_data(self):data=load_boston()returnpd.DataFrame(data=data.data,columns=data.feature_names),data.target@classmethoddefsetup_estimator(cls):pipeline=Pipeline([('scaler',StandardScaler()),('clf',LinearRegression())])returncls(pipeline)2
二值化
如果等于给定值，则返回1的转换器，否则返回0。
示例
fromml_toolingimportModelDatafromsklearn.datasetsimportload_bostonfromsklearn.preprocessingimportStandardScalerfromsklearn.linear_modelimportLinearRegressionfromsklearn.pipelineimportPipelineimportpandasaspdclassBostonModel(ModelData):defget_prediction_data(self,idx):data=load_boston()df=pd.DataFrame(data=data.data,columns=data.feature_names)returndf.iloc[idx]# Return given observationdefget_training_data(self):data=load_boston()returnpd.DataFrame(data=data.data,columns=data.feature_names),data.target@classmethoddefsetup_estimator(cls):pipeline=Pipeline([('scaler',StandardScaler()),('clf',LinearRegression())])returncls(pipeline)3
fromml_toolingimportModelDatafromsklearn.datasetsimportload_bostonfromsklearn.preprocessingimportStandardScalerfromsklearn.linear_modelimportLinearRegressionfromsklearn.pipelineimportPipelineimportpandasaspdclassBostonModel(ModelData):defget_prediction_data(self,idx):data=load_boston()df=pd.DataFrame(data=data.data,columns=data.feature_names)returndf.iloc[idx]# Return given observationdefget_training_data(self):data=load_boston()returnpd.DataFrame(data=data.data,columns=data.feature_names),data.target@classmethoddefsetup_estimator(cls):pipeline=Pipeline([('scaler',StandardScaler()),('clf',LinearRegression())])returncls(pipeline)4

                                标签：
import
实用程序
机器
data
boston
ml
results
tooling
estimator
欢迎加入QQ群-->： 979659372
                                    
推荐PyPI第三方库
python-edgar
从1993年起从Edgar下载SEC填充指数
qrmine
python中的定性研究支持工具！
ftapp
创建钓鱼技术应用程序的脚本
p2pnet
基于bls签名的rlp编码p2p网络
pywinutils
使用内置窗口的进度对话框复制移动和删除文件
odoo11-addon-fieldservice-substatus
现场服务订单的子状态
storyread
对典型敏捷故事准备标准（gwt，故事格式，…）的一组简单检查
watson-dev
在本地使用wsgi应用程序。
z3c.datagenerator
用于测试和样本数据的数据生成器
nap
以下是python中经常使用的所有内容。
ewutils
一个工具和实用程序的集合，我把它们放在一起使编程变得更容易
odoo8-addon-event-registration-cancel-reason
事件登记的理由
aws-sam-translator
aws sam translator是一个将sam模板转换为aws cloudformation模板的库
feedgen
提要生成器（Atom、RSS、播客）
magento_adapter
为api接口供电

导 航 栏

                                            项目 描述
                                        

                                            版本历史
                                        

                                                下载文件
                                            
项目 链接
首页
                                    
标 签
许可证: BSD许可证（BSD 3条款）
作者信息:: 暂无
                                
                            
维护者

                                  andersbogsnes
                                
最新PyPI项目
italian_vip_says
UFx
vofs
fake_item_generator
NerEva
django-monologue
fio_product_attribute_strict
climailsystem
pyshape
tbb-devel
npy-append-arra
anthill.tal.macrorenderer
odoo11-addon-stock-a
uuuu
contextil
fyl_nester
appomatic_renderable
teacher
chuletas
slackbot_ce
最新Python常见问题
将Pandas数据帧转换为PyTorch张量？
将Pandas数据帧转换为scipy稀疏矩阵
将Pandas数据帧转换为Spark Datafram时出现问题
将pandas数据帧转换为spark DataFram时出错
将Pandas数据帧转换为spark datafram时收到错误
将Pandas数据帧转换为Spark数据帧
将Pandas数据帧转换为Tensorflow数据
将Pandas数据帧转换为tkinter obj
将pandas数据帧转换为XML
将Pandas数据帧转换为值sql语句
将pandas数据帧转换为元组
将pandas数据帧转换为元组列表
将pandas数据帧转换为元组列表并删除所有pandas数据类型
将pandas数据帧转换为具有头和数据类型的numpy数组
将pandas数据帧转换为内存中的拼花地板，并将其加载到Python中的Hadoop中

ml-tooling 0.7

ml-tooling的Python项目详细描述

模型工具库

安装

内容

模型数据

示例用法

配置

配置选项

冗长

分类器度量

回归度量

交叉验证

样式表

n_个作业

测试尺寸

随机状态

运行目录

型号U DIR

log

方法

保存估计器（路径=无，文件名=无）

加载估计器（路径）

得分估计器（metric='accurity'，cv=false）

训练估计器（）

进行预测（*args）

测试估计器（[model1，model2]，metric='accurity'）

网格搜索（param_grid）

设置估计器（）

日志（日志目录）

可视化结果

分类器

回归函数

变压器

选择

示例

圆角

值示例

策略示例

分类

示例

functransformer

示例

宾纳

示例

重命名器

示例

日期编码器

示例

频率特性

示例

DFFeatureUnion

示例

dfrowfunc

示例

二值化

示例

推荐PyPI第三方库

python-edgar

qrmine

ftapp

p2pnet

pywinutils

odoo11-addon-fieldservice-substatus

storyread

watson-dev

z3c.datagenerator

nap

ewutils

odoo8-addon-event-registration-cancel-reason

aws-sam-translator

feedgen

magento_adapter

导 航 栏

项目 链接

标 签

维护者

最新PyPI项目

最新Python常见问题