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.

source on GitHub

Classes

class	truncated documentation
SkBaseLearnerCategory	Base d’un learner qui apprend un learner pour chaque modalité d’une classe. Notebooks associés à ce learner …

Properties

property	truncated documentation
colnameind	Retourne le nom ou l’indice de la catégorie.
Models	Retourne les models.

Methods

method	truncated documentation
__init__	Stocke les paramètres dans une classe SkLearnParameters, elle garde une copie des paramètres pour …
__repr__	usual
_any_predict	Prédit en appelant le modèle associé à chaque catégorie.
_filter_cat	Retoure X, y, sample_weight pour la categorie c uniquement.
_get_cat	Retourne les catégories indiquées par colnameind.
decision_function	Output of the model in case of a regressor, matrix with a score for each class and each sample for a classifier
fit	Apprends un modèle pour chaque modalité d’une catégorie.
get_params	Retourne les paramètres qui définissent l’objet (tous ceux nécessaires pour le cloner).
predict	Prédit en appelant le modèle associé à chaque catégorie.
predict_proba	Output of the model in case of a regressor, matrix with a score for each class and each sample for a classifier
score	Returns the mean accuracy on the given test data and labels.
set_params	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.

source on GitHub

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 :

• Plusieurs modèles, données disjointes

source on GitHub

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

source on GitHub

property Models

Retourne les models.

source on GitHub

__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

source on GitHub

__repr__()

usual

source on GitHub

_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.

source on GitHub

_filter_cat(c, X, y=None, sample_weight=None)

Retoure X, y, sample_weight pour la categorie c uniquement.

source on GitHub

_get_cat(X)

Retourne les catégories indiquées par colnameind.

source on GitHub

property colnameind

Retourne le nom ou l’indice de la catégorie.

source on GitHub

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.

source on GitHub

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.

source on GitHub

get_params(deep=True)

Retourne les paramètres qui définissent l’objet (tous ceux nécessaires pour le cloner).

Paramètres:

deep – unused here

Renvoie:

dict

source on GitHub

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.

source on GitHub

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.

source on GitHub

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.

source on GitHub

set_params(**values)

Change les paramètres qui définissent l’objet (tous ceux nécessaires pour le cloner).

Paramètres:

values – values

Renvoie:

dict

source on GitHub