binary-classification-toolkit представляет собой набор инструментов для бинарной классификации, включая различные модели машинного обучения и методы оценки. Этот код предназначен для быстрого прототипирования и тестирования различных алгоритмов на данных, представляющих интерес для исследователей и специалистов по данным.
Особенности Множество Моделей: Включает в себя различные модели машинного обучения, такие как логистическая регрессия, случайный лес, градиентный бустинг и многие другие. Стратифицированная Кросс-Валидация: Использует стратифицированную кросс-валидацию для обеспечения сбалансированного разбиения данных. Метрики Оценки: Включает различные метрики оценки, такие как точность, полнота, F1-оценка и ROC-AUC. Обработка Ошибок: Включает обработку ошибок для устойчивости к возможным проблемам при вычислении метрик. Установка Для работы с этим кодом вам потребуются следующие библиотеки:
scikit-learn pandas numpy xgboost catboost Вы можете установить их с помощью следующей команды: pip install scikit-learn pandas numpy xgboost catboost
Использование Определите Ваши Данные: Замените X и y вашими данными, где X - это признаки, а y - это метки классов. Выберите Модели: Вы можете добавить или удалить модели из словаря models в соответствии с вашими потребностями. Запустите Код: Просто запустите код, и он выполнит обучение, предсказание и оценку для каждой модели, выводя результаты и матрицы ошибок.
Пример вывода:
| Model | Accuracy | Precision | Recall | F1 | ROC-AUC |
|---|---|---|---|---|---|
| Logistic Regression | 0.809731 | 0.925619 | 0.850383 | 0.885439 | 0.699636 |
| SGD Classifier | 0.838509 | 0.921970 | 0.890383 | 0.904745 | 0.697413 |
| Random Forest Classifier | 0.884845 | 0.887665 | 0.993333 | 0.937441 | 0.585556 |
| Gradient Boosting Classifier | 0.858716 | 0.902709 | 0.940055 | 0.920095 | 0.634472 |
| Support Vector Classifier | 0.876149 | 0.875126 | 1.000000 | 0.933375 | 0.533333 |
| K-Nearest Neighbors | 0.876149 | 0.882274 | 0.990055 | 0.932859 | 0.561694 |
| XGBoost Classifier | 0.899172 | 0.913608 | 0.976721 | 0.943951 | 0.682805 |
| CatBoost Classifier | 0.884845 | 0.890346 | 0.990000 | 0.937336 | 0.595000 |
| AdaBoost Classifier | 0.905010 | 0.924159 | 0.970164 | 0.946433 | 0.723971 |
| Quadratic Discriminant Analysis | 0.861698 | 0.866697 | 0.993388 | 0.925699 | 0.496694 |
| Extra Trees Classifier | 0.884845 | 0.887432 | 0.993388 | 0.937375 | 0.585583 |
| Model | True Negative | False Positive | False Negative | True Positive |
|---|---|---|---|---|
| Logistic Regression | 5.2 | 4.0 | 9.8 | 50.4 |
| SGD Classifier | 4.6 | 4.6 | 6.6 | 53.6 |
| Random Forest Classifier | 2.6 | 6.6 | 0.6 | 59.6 |
| Gradient Boosting Classifier | 3.6 | 5.6 | 3.6 | 56.6 |
| Support Vector Classifier | 3.2 | 6.0 | 2.2 | 58.0 |
| K-Nearest Neighbors | 1.2 | 8.0 | 0.6 | 59.6 |
| XGBoost Classifier | 3.8 | 5.4 | 1.4 | 58.8 |
| CatBoost Classifier | 2.6 | 6.6 | 0.8 | 59.4 |
| AdaBoost Classifier | 7.4 | 1.8 | 19.6 | 40.6 |
| Quadratic Discriminant Analysis | 0.0 | 9.2 | 0.4 | 59.8 |
| Extra Trees Classifier | 2.0 | 7.2 | 0.8 | 59.4 |