หน้าแรก>การเขียนโปรแกรมที่เกี่ยวข้อง>ซอร์สโค้ดอื่น ๆ
ดาวน์โหลด

ไม่สมดุล-เรียนรู้

imbalanced-learn เป็นแพ็คเกจ Python ที่นำเสนอเทคนิคการสุ่มตัวอย่างจำนวนมากที่ใช้กันทั่วไปในชุดข้อมูลที่แสดงถึงความไม่สมดุลระหว่างคลาสอย่างมาก มันเข้ากันได้กับ scikit-learn และเป็นส่วนหนึ่งของโครงการ scikit-learn-contrib

เอกสารประกอบ

เอกสารการติดตั้ง เอกสาร API และตัวอย่างสามารถดูได้ในเอกสารประกอบ

การติดตั้ง

การพึ่งพาอาศัยกัน

การเรียนรู้ที่ไม่สมดุลต้องการการพึ่งพาดังต่อไปนี้:

  • หลาม (>= 3.10)

  • NumPy (>= 1.24.3)

  • วิทย์ (>= 1.10.1)

  • Scikit-เรียนรู้ (>= 1.2.2)

  • ไพเทส (>= 7.2.2)

นอกจากนี้ imbalanced-learn ต้องการการพึ่งพาเพิ่มเติมต่อไปนี้:

  • Pandas (>= 1.5.3) สำหรับการจัดการกับ dataframes

  • Tensorflow (>= 2.13.1) สำหรับการจัดการกับโมเดล TensorFlow

  • Keras (>= 3.0.5) สำหรับการจัดการกับโมเดล Keras

ตัวอย่างจะต้องอาศัยการขึ้นต่อกันเพิ่มเติมต่อไปนี้:

  • Matplotlib (>= 3.7.3)

  • ซีบอร์น (>= 0.12.2)

การติดตั้ง

จาก PyPi หรือที่เก็บ conda-forge

ขณะนี้ imbalanced-learn มีอยู่ในที่เก็บของ PyPi และคุณสามารถติดตั้งผ่าน pip:

 pip install -U ไม่สมดุล-เรียนรู้

แพ็คเกจนี้เปิดตัวในแพลตฟอร์ม Anaconda Cloud ด้วย:

 conda ติดตั้ง -c conda-forge ไม่สมดุล - เรียนรู้
จากแหล่งที่มาที่มีอยู่ใน GitHub

หากต้องการ คุณสามารถโคลนและเรียกใช้ไฟล์ setup.py ได้ ใช้คำสั่งต่อไปนี้เพื่อรับสำเนาจาก Github และติดตั้งการอ้างอิงทั้งหมด:

 โคลนคอมไพล์ https://github.com/scikit-learn-contrib/imbalanced-learn.git
ซีดีไม่สมดุล-เรียนรู้
การติดตั้ง pip

โปรดทราบว่าคุณสามารถติดตั้งในโหมดนักพัฒนาซอฟต์แวร์ด้วย:

 pip ติดตั้ง --no-build-isolation --editable

หากคุณต้องการส่งคำขอแบบดึงบน GitHub เราขอแนะนำให้คุณติดตั้งการคอมมิตล่วงหน้า:

 pip ติดตั้งล่วงหน้า
ติดตั้งล่วงหน้า

การทดสอบ

หลังการติดตั้ง คุณสามารถใช้ pytest เพื่อรันชุดทดสอบ:

 ทำความคุ้มครอง

การพัฒนา

การพัฒนา scikit-learn-contrib นี้สอดคล้องกับหนึ่งในชุมชน scikit-learn ดังนั้นคุณสามารถดูคู่มือการพัฒนาได้

การรับรองข้อกำหนด Python ทางวิทยาศาสตร์

เรารับรองแนวปฏิบัติที่ดีจาก Scientific Python Ecosystem Coordination (SPEC) รายการคำแนะนำทั้งหมดมีอยู่ที่นี่

ดูรายการคำแนะนำที่เรารับรองด้านล่างสำหรับโครงการการเรียนรู้ที่ไม่สมดุล


เกี่ยวกับ

หากคุณใช้ imbalanced-learn ในสิ่งพิมพ์ทางวิทยาศาสตร์ เราขอขอบคุณการอ้างอิงเอกสารต่อไปนี้:

 @article{JMLR:v18:16-365,
ผู้แต่ง = {Guillaume Lema{{^i}}tre และ Fernando Nogueira และ Christos K. Aridas}
title = {การเรียนรู้ที่ไม่สมดุล: กล่องเครื่องมือ Python เพื่อจัดการกับคำสาปของชุดข้อมูลที่ไม่สมดุลในการเรียนรู้ของเครื่อง},
วารสาร = {วารสารการวิจัยการเรียนรู้ของเครื่อง},
ปี = {2017},
ปริมาณ = {18},
หมายเลข = {17},
หน้า = {1-5},
url = {http://jmlr.org/papers/v18/16-365}
-

อัลกอริธึมการจำแนกประเภทส่วนใหญ่จะทำงานได้อย่างเหมาะสมก็ต่อเมื่อจำนวนตัวอย่างของแต่ละคลาสใกล้เคียงกันเท่านั้น ชุดข้อมูลที่บิดเบือนอย่างมาก โดยที่ส่วนน้อยมีจำนวนมากกว่าคลาสหนึ่งหรือหลายคลาสอย่างมาก ได้พิสูจน์แล้วว่าเป็นสิ่งที่ท้าทายในขณะเดียวกันก็กลายเป็นเรื่องปกติมากขึ้นเรื่อยๆ

วิธีหนึ่งในการแก้ไขปัญหานี้คือการสุ่มตัวอย่างชุดข้อมูลอีกครั้งเพื่อชดเชยความไม่สมดุลนี้ด้วยความหวังว่าจะมาถึงขอบเขตการตัดสินใจที่แข็งแกร่งและยุติธรรมมากกว่าที่คุณจะทำได้

คุณสามารถดูเอกสารประกอบการเรียนรู้ที่ไม่สมดุลเพื่อดูรายละเอียดเกี่ยวกับอัลกอริทึมที่นำไปใช้

ขยาย
ข้อมูลเพิ่มเติม
แอปที่เกี่ยวข้อง
แนะนำสำหรับคุณ
ข้อมูลที่เกี่ยวข้อง ทั้งหมด