sk_modelcurves 0.4

SK模型曲线

为软件工程师和研究人员构建的python包装器 从scikit learn轻松创建学习和验证曲线图

本模块旨在补充您在SciKit中的工作流程学习和简化 评估模型的过程

该模块包括许多生活质量功能，应该可以为您节省宝贵的 每当您想绘制学习曲线以检查偏差/方差或 绘制验证曲线以查看优化超参数的效果。

背景

在写许多研究论文和建立许多模型的过程中，我 我发现自己使用的样板代码几乎每一个 每当我想绘制学习曲线或验证曲线时 评估模型。

希望这个模块每次需要绘制时都能节省您几分钟的时间 一个学习或验证曲线，这样你就可以专注于其他事情。

安装

python的pip是推荐的安装方法。从终端：

$ pip install sk_modelcurves

示例用法

使用精度作为度量和5倍交叉验证生成学习曲线。

假设一个称为knn的sklearn估计器，训练数据矩阵称为X和 培训标签称为y：

$ from sk_modelcurves.learning_curve import draw_learning_curve
$ draw_learning_curve(knn, X, y, scoring='accuracy', cv=5)
$ plt.show()

用f1得分作为一个估计量，为多个估计量生成多条学习曲线 度量、5倍交叉验证和每个估计器的名称。

假设3个sklearn估计量称为knn2，knn20，knn40，训练数据矩阵 呼叫X和培训标签呼叫Y:

$ from sk_modelcurves.learning_curve import draw_learning_curve
$ draw_learning_curve([knn2, knn20, knn40], X, y, scoring='f1', cv=5,
  estimator_titles=['2 Neighbors', '20 Neighbors', '40 Neighbors'])
$ plt.show()

还有很多其他的选择查看源代码docstrings或 即将发布的文档。

重要链接

• 官方源代码回购：https://github.com/MasonGallo/sk-modelcurve
• HTML文档：即将推出！
• 问题跟踪器：https://github.com/MasonGallo/sk-modelcurve/issues

依赖关系

经过测试，sk modelcurves适用于python 2.6和python2.7。python 3.3+有 未经测试，在测试前假定不起作用

必需的依赖项包括scikit learn（当然！），numpy>；=1.6.1， 而matplotlib>；=1.1.1。

要运行测试，您需要nose>；=1.1.2。

贡献

欢迎任何人！

如果你发现一个bug或者想讨论一个潜在的特性，请提交一个 先发布

测试

安装后，可以从源代码外部启动测试套件 目录（您需要安装nosepackage）：

$ nosetests -v sk_modelcurves