module mltricks.sklearn_base_learner_category
#
Short summary#
module papierstat.mltricks.sklearn_base_learner_category
Implémente un learner qui suit la même API que tout scikit-learn learner.
Classes#
class |
truncated documentation |
---|---|
Base d’un learner qui apprend un learner pour chaque modalité d’une classe. Notebooks associés à ce learner … |
Properties#
property |
truncated documentation |
---|---|
Retourne le nom ou l’indice de la catégorie. |
|
Retourne les models. |
Methods#
method |
truncated documentation |
---|---|
Stocke les paramètres dans une classe |
|
usual |
|
Prédit en appelant le modèle associé à chaque catégorie. |
|
Retoure X, y, sample_weight pour la categorie c uniquement. |
|
Retourne les catégories indiquées par colnameind. |
|
Output of the model in case of a regressor, matrix with a score for each class and each sample for a classifier |
|
Apprends un modèle pour chaque modalité d’une catégorie. |
|
Retourne les paramètres qui définissent l’objet (tous ceux nécessaires pour le cloner). |
|
Prédit en appelant le modèle associé à chaque catégorie. |
|
Output of the model in case of a regressor, matrix with a score for each class and each sample for a classifier |
|
Returns the mean accuracy on the given test data and labels. |
|
Change les paramètres qui définissent l’objet (tous ceux nécessaires pour le cloner). |
Documentation#
Implémente un learner qui suit la même API que tout scikit-learn learner.
- class papierstat.mltricks.sklearn_base_learner_category.SkBaseLearnerCategory(colnameind=None, model=None, **kwargs)#
Bases :
SkBaseLearner
Base d’un learner qui apprend un learner pour chaque modalité d’une classe.
Notebooks associés à ce learner :
Stocke les paramètres dans une classe
SkLearnParameters
, elle garde une copie des paramètres pour implémenter facilement get_params et ainsi cloner un modèle.- Paramètres:
colnameind – indice ou nom de la colonne qui contient les modalités de la catégorie
model – model à appliquer sur chaque catégorie
- property Models#
Retourne les models.
- __init__(colnameind=None, model=None, **kwargs)#
Stocke les paramètres dans une classe
SkLearnParameters
, elle garde une copie des paramètres pour implémenter facilement get_params et ainsi cloner un modèle.- Paramètres:
colnameind – indice ou nom de la colonne qui contient les modalités de la catégorie
model – model à appliquer sur chaque catégorie
- __repr__()#
usual
- _any_predict(X, fct, *args)#
Prédit en appelant le modèle associé à chaque catégorie.
- Paramètres:
X – features
- Renvoie:
prédictions
La fonction n’est pas parallélisée mais elle le pourrait.
- _filter_cat(c, X, y=None, sample_weight=None)#
Retoure X, y, sample_weight pour la categorie c uniquement.
- _get_cat(X)#
Retourne les catégories indiquées par colnameind.
- property colnameind#
Retourne le nom ou l’indice de la catégorie.
- decision_function(X)#
Output of the model in case of a regressor, matrix with a score for each class and each sample for a classifier
- Paramètres:
X – Samples, {array-like, sparse matrix}, shape = (n_samples, n_features)
- Renvoie:
array, shape = (n_samples,.), Returns predicted values.
- fit(X, y=None, sample_weight=None, **kwargs)#
Apprends un modèle pour chaque modalité d’une catégorie.
- Paramètres:
X – features
y – cibles
sample_weight – poids de chaque observation
- Renvoie:
self, lui-même
La fonction n’est pas parallélisée mais elle le pourrait.
- get_params(deep=True)#
Retourne les paramètres qui définissent l’objet (tous ceux nécessaires pour le cloner).
- Paramètres:
deep – unused here
- Renvoie:
dict
- predict(X)#
Prédit en appelant le modèle associé à chaque catégorie.
- Paramètres:
X – features
- Renvoie:
prédictions
La fonction n’est pas parallélisée mais elle le pourrait.
- predict_proba(X)#
Output of the model in case of a regressor, matrix with a score for each class and each sample for a classifier
- Paramètres:
X – Samples, {array-like, sparse matrix}, shape = (n_samples, n_features)
- Renvoie:
array, shape = (n_samples,.), Returns predicted values.
- score(X, y=None, sample_weight=None)#
Returns the mean accuracy on the given test data and labels.
- Paramètres:
X – Training data, numpy array or sparse matrix of shape [n_samples,n_features]
y – Target values, numpy array of shape [n_samples, n_targets] (optional)
sample_weight – Weight values, numpy array of shape [n_samples, n_targets] (optional)
- Renvoie:
score : float, Mean accuracy of self.predict(X) wrt. y.
- set_params(**values)#
Change les paramètres qui définissent l’objet (tous ceux nécessaires pour le cloner).
- Paramètres:
values – values
- Renvoie:
dict