sassoftware / sassoftware/python-sasctl

Guessing correctly the EM_EVENTPROBABILITY in scoring code

Abierto
#172 0 comentarios 0 reacciones 0 asignados Ver en GitHub

Nadie ha tomado este issue todavía.

enhancement
Lenguaje dominante
Python
Estrellas
52
Forks
45
Merge medio
23 h 38 min
PR fusionados (30 d)
2

Descripción

When using pzmm.ImportModel.import_model for wirting scoring code for binary/multinomial classification it assumes from result = SKmodel.predict_proba(...) that the result[0] is the target variable probability and assigns it to EM_EVENTPROBABILITY, which may be incorrect, the levels probability may be in a distinct column.

At least for classification models, you can get the probability class labels and orders from SKmodel.classes_. If the user adds something like targetevent = "label", we could use it to assign the correct column of probability to EM_EVENTPROBABILITY.

It is likely that this only works for classification, and should not be confused when the model is a regression.

Guía de contribución

Abrir la guía de contribución

Primeros pasos

  1. Lee el issue completo y luego la guía de contribución del proyecto.
  2. Comenta en el issue que vas a ocuparte — evita que dos personas hagan lo mismo.
  3. Haz un fork del repositorio y trabaja en una rama.
  4. Abre un pull request que haga referencia al número del issue.

Línea de trabajo

Comience en pzmm.ImportModel.import_model e inspeccione cómo se asigna SKmodel.predict_proba(...) a EM_EVENTPROBABILITY. Compare las columnas de probabilidades con SKmodel.classes_ y, a continuación, determine cómo un valor de targetevent podría seleccionar la clase correcta para la clasificación binaria y multinomial sin afectar al comportamiento de la regresión. Verifique el comportamiento resultante con las pruebas relevantes del proyecto.

Escrito por el modelo de indexación a partir del texto del issue.

Evaluación

Stack tecnológico
python
Área
machine-learning
Tipo de issue
Error
Dificultad
4/5
Tiempo estimado
3-5 días
Estado de actividad
Estancado
Claridad
Bastante claro
Aptitud para principiantes
42/100

Recibe los nuevos issues en tu correo

Un resumen breve de issues de GitHub para principiantes.