scikit-ext 0.1.15

关于

scikit_ext包包含各种scikit学习扩展， 完全建立在sklearn基类之上。包裹是 分为两个模块： estimators 和 scorers。 可以找到完整的文档 here

安装

Package Index on PyPI到 安装：

pip install scikit-ext

估计器

• MultiGridSearchCV：扩展到本机sklearnGridSearchCV 对于多个估计器和参数网格。接受 估计器和参数网格，迭代每个拟合 GridSearchCV每个估计器/参数网格的模型。选择 最适合的GridSearchCV型号。继承sklearn的 BaseSearchCV类，因此属性和方法都类似于 GridSearchCV。
• PrunedPipeline：要扩展到本机sklearnPipeline。 对于具有矢量化步骤和特征的文本学习管道 选择步骤而不是记住所有矢量器词汇表 元素并在预测时选择适当的特征， extension在将词汇量调整为只包含 最终在特征选择过滤器中生存的元素 稍后在管道中应用。这会减少内存并提高 预测延迟预测将与 一个训练有素的Pipeline模型继承sklearn的Pipeline类， 所以属性和方法都类似于Pipeline
• ZoomGridSearchCV：扩展到本机sklearnGridSearchCV。 适合多个GridSearchCV模型，更新param_grid 每次迭代后更新将查看成功的参数值 对于每个网格键。将创建一个新的值列表，该列表将展开 以最佳性能为中心的搜索值的分辨率 上次拟合的值。这允许标准的网格搜索 从每个值的少量距离值开始的过程 参数，并放大为 超参数搜索空间变得清晰。
• IterRandomEstimator：主要用于 拟合模型依赖性强的无监督估计 在任意随机初始化状态下。它是 最适合用于需要fit_predict方法的问题，因此 用于预测的唯一数据将是 模型已拟合。
• OptimizedEnsemble：优化的集成类。会找到 给定系综估计量的最优n_estimators参数， 根据指定的输入参数。
• OneVsRestAdjClassifier：一对多类策略。这个 调整版本是一个自定义扩展，它覆盖继承的 {TT23 } $方法，具有更灵活的方法允许自定义 预测概率的标准化任何规范论点 可以直接传递给sklearn.preprocessing.normalizeis 允许。此外，norm=none将跳过规范化步骤 所有人。要模仿继承的OneVsRestClassfier行为， 设置norm='l2'所有其他方法都继承自 OneVsRestClassifier。

记分员

• TimeScorer：使用估计的预测延迟评分 估计员
• MemoryScorer：使用pickled估计器的估计内存进行评分 反对
• CombinedScorer：通过平均数组合多个记分者的分数 他们的分数。
• cluster_distribution_score：对 生成跨类的群集分布更公平的 分布表明得分较高。

作者

埃文·哈里斯

许可证

这个项目是根据麻省理工学院的许可证授权的-参见许可证文件 详细情况