nlptoolkit-sampling-cy 1.0.9

Sampling Strategies ============

    ## K-Fold cross-validation
    In K-fold cross-validation, the aim is to generate K training/validation set pair, where training and validation sets on fold i do no overlap. First, we divide the dataset X into K parts as X<sub>1</sub>; X<sub>2</sub>; ... ; X<sub>K</sub>. Then for each fold i, we use X<sub>i</sub> as the validation set and the remaining as the training set.
    
    Possible values of K are 10 or 30. One extreme case of K-fold cross-validation is leave-one-out, where K = N and each validation set has only one instance.
    If we have more computation power, we can have multiple runs of K-fold cross-validation, such as 10 x 10 cross-validation or 5 x 2 cross-validation.
    
    ## Bootstrapping
    
    If we have very small datasets, we do not insist on the non-overlap of training and validation sets. In bootstrapping, we generate K multiple training sets, where each training set contains N examples (like the original dataset). To get N examples, we draw examples with replacement. For the validation set, we use the original dataset. The drawback of bootstrapping is that the bootstrap samples overlap more than the cross-validation sample, hence they are more dependent.
    
    Video Lectures
    ============
    
    [<img src="https://github.com/StarlangSoftware/Sampling/blob/master/video.jpg" width="50%">](https://youtu.be/wijWOiv70nE)
    
    For Developers
    ============
    You can also see [Python](https://github.com/starlangsoftware/Sampling-Py), [Java](https://github.com/starlangsoftware/Sampling), [C++](https://github.com/starlangsoftware/Sampling-CPP), [C](https://github.com/starlangsoftware/Sampling-C), [Swift](https://github.com/starlangsoftware/Sampling-Swift), [Js](https://github.com/starlangsoftware/Sampling-Js), [Php](https://github.com/starlangsoftware/Sampling-Php), or [C#](https://github.com/starlangsoftware/Sampling-CS) repository.
    
    ## Requirements
    
    * [Python 3.7 or higher](#python)
    * [Git](#git)
    
    ### Python 
    
    To check if you have a compatible version of Python installed, use the following command:
    
        python -V
        
    You can find the latest version of Python [here](https://www.python.org/downloads/).
    
    ### Git
    
    Install the [latest version of Git](https://git-scm.com/book/en/v2/Getting-Started-Installing-Git).
    
    ## Pip Install
    
    	pip3 install NlpToolkit-Sampling-Cy
    
    ## Download Code
    
    In order to work on code, create a fork from GitHub page. 
    Use Git for cloning the code to your local or below line for Ubuntu:
    
    	git clone <your-fork-git-link>
    
    A directory called Sampling will be created. Or you can use below link for exploring the code:
    
    	git clone https://github.com/starlangsoftware/Sampling-Cy.git
    
    ## Open project with Pycharm IDE
    
    Steps for opening the cloned project:
    
    * Start IDE
    * Select **File | Open** from main menu
    * Choose `Sampling-CY` file
    * Select open as project option
    * Couple of seconds, dependencies will be downloaded. 
    
    Detailed Description
    ============
    
    + [CrossValidation](#crossvalidation)
    + [Bootstrap](#bootstrap)
    + [KFoldCrossValidation](#kfoldcrossvalidation)
    + [StratifiedKFoldCrossValidation](#stratifiedkfoldcrossvalidation)
    
    ## CrossValidation
    
    k. eğitim kümesini elde etmek için
    
    	getTrainFold(self, k: int) -> list
    
    k. test kümesini elde etmek için
    
    	getTestFold(self, k: int) -> list
    
    ## Bootstrap
    
    Bootstrap için BootStrap sınıfı
    
    	Bootstrap(self, instanceList: list, seed: int)
    
    Örneğin elimizdeki veriler a adlı ArrayList'te olsun. Bu veriler üstünden bir bootstrap 
    örneklemi tanımlamak için (5 burada rasgelelik getiren seed'i göstermektedir. 5 
    değiştirilerek farklı samplelar elde edilebilir)
    
    	bootstrap = Bootstrap(a, 5)
    
    ardından üretilen sample'ı çekmek için ise
    
    	sample = bootstrap.getSample()
    
    yazılır.
    
    ## KFoldCrossValidation
    
    K kat çapraz geçerleme için KFoldCrossValidation sınıfı
    
    	KFoldCrossValidation(self, instanceList: list, K: int, seed: int)
    
    Örneğin elimizdeki veriler a adlı ArrayList'te olsun. Bu veriler üstünden 10 kat çapraz 
    geçerleme yapmak için (2 burada rasgelelik getiren seed'i göstermektedir. 2 
    değiştirilerek farklı samplelar elde edilebilir)
    
    	kfold = KFoldCrossValidation(a, 10, 2)
    
    ardından yukarıda belirtilen getTrainFold ve getTestFold metodları ile sırasıyla i. eğitim
    ve test kümeleri elde edilebilir. 
    
    ## StratifiedKFoldCrossValidation
    
    Stratified K kat çapraz geçerleme için StratifiedKFoldCrossValidation sınıfı
    
    	StratifiedKFoldCrossValidation(self, instanceLists: list, K: int, seed: int)
    
    Örneğin elimizdeki veriler a adlı ArrayList of listte olsun. Stratified bir çapraz 
    geçerlemede sınıflara ait veriler o sınıfın oranında temsil edildikleri için her bir 
    sınıfa ait verilerin ayrı ayrı ArrayList'te olmaları gerekmektedir. Bu veriler üstünden 
    30 kat çapraz geçerleme yapmak için (4 burada rasgelelik getiren seed'i göstermektedir. 4 
    değiştirilerek farklı samplelar elde edilebilir)
    
    	stratified = StratifiedKFoldCrossValidation(a, 30, 4)
    
    ardından yukarıda belirtilen getTrainFold ve getTestFold metodları ile sırasıyla i. eğitim
    ve test kümeleri elde edilebilir.