1. Produk
  2.   OMR
  3.   Python
  4.   Open-MCR
 
  

API Pembaca Peperiksaan Pilihan Berganda Python Sumber Terbuka

API Pembaca Peperiksaan Pilihan Berganda Python percuma yang Membolehkan Pemaju Perisian Menjana Helaian Peperiksaan, Pengimbas dan Perisian Pemprosesan melalui API Python.

Apakah Open-MCR Librar?

Pakej Python yang kukuh dipanggil Open-MCR telah dibangunkan untuk memudahkan penyebaran Multichannel Convolutional Recurrent Neural Networks (MCRNNs). Projek sumber terbuka ini, yang dicipta oleh pengaturcara berbakat Ian San, menawarkan kepada ahli akademik dan pembangun satu kerangka kerja yang serba boleh dan berkesan untuk tugas seperti pengecaman pertuturan, analisis video, dan pelbagai aplikasi siri masa. Menggunakannya dalam projek anda boleh menghasilkan ramalan model yang lebih boleh dipercayai dan tepat, yang akhirnya akan membantu pembelajaran mesin berkembang dalam pelbagai bidang. Perpustakaan Open-MCR direka dengan kemudahan penggunaan dalam fikiran. Perpustakaan ini boleh diakses oleh kedua-dua pengamal baru dan berpengalaman berkat dokumentasi dan contoh yang komprehensif.

Dalam pembelajaran mesin, Pengelasan Berbilang Kelas (MCC) adalah tugas yang popular di mana objektifnya adalah untuk mengkategorikan input daripada satu siri kelas yang telah ditetapkan. Dengan menambah pilihan penolakan, Open-MCR melangkah lebih jauh dan membolehkan model mengabaikan menjana ramalan dalam kes yang tidak jelas. Ini meningkatkan prestasi keseluruhan dan sangat membantu dalam situasi di mana tahap keyakinan model rendah. Pada dasarnya, Open-MCR memproses dan memahami input berurutan dengan memanfaatkan kelebihan kedua-dua rangkaian neural konvolusi dan berulang. Model ini merupakan alat yang fleksibel untuk pelbagai aplikasi berkat reka bentuk berbilang saluran, yang meningkatkan keupayaannya mengenal pola dan hubungan yang rumit. Pengguna dapat mengintegrasikan perpustakaan ini ke dalam aplikasi mereka dengan cepat kerana pelaksanaannya yang mudah. Perpustakaan ini berada dalam kedudukan untuk memajukan bidang pemprosesan data berurutan dan pembelajaran mendalam secara signifikan seiring perkembangannya.

Previous Next

Mula Menggunakan Open-MCR

Cara yang disyorkan untuk memasang perpustakaan Open-MCR ialah menggunakan pip . Sila gunakan perintah berikut untuk pemasangan yang lancar.

Pasang Perpustakaan Open-MCR melalui pip

 pip install open-mcr

Anda boleh memuat turun perpustakaan secara langsung dari GitHub

Gunakan Mekanisme Penolakan dalam Aplikasi Python

Fitur menonjol Open-MCR ialah mekanisme penolakan, yang membolehkan model menolak membuat ramalan apabila berhadapan dengan contoh yang samar atau mencabar. Keupayaan ini penting dalam aplikasi dunia sebenar di mana mengelakkan ramalan yang salah adalah utama. Berikut ialah contoh yang menunjukkan cara menggunakan mekanisme penolakan dengan hanya beberapa baris kod. Untuk penggunaan yang lancar, pertama Import kelas OpenMCR dari perpustakaan dan inisialisasikan dengan model pembelajaran mesin pilihan anda. Tetapkan parameter rejection_threshold untuk mengawal tahap keyakinan bagi penolakan.

Bagaimana Menggunakan Mekanisme Penolakan dalam Aplikasi Python?

from openmcr import OpenMCR
from sklearn.ensemble import RandomForestClassifier

# Initialize Open-MCR with a RandomForestClassifier
model = RandomForestClassifier()
mcr_model = OpenMCR(model, rejection_threshold=0.3)

# Train the model
mcr_model.fit(X_train, y_train)

# Make predictions with rejection
predictions = mcr_model.predict(X_test)

Baca & Ekstrak Data dari Imej melalui API Python

Perpustakaan Python sumber terbuka Open-MCR telah menyediakan sokongan lengkap untuk memuatkan dan membaca data daripada imej dalam aplikasi Python. Untuk mengendalikan peperiksaan dan membaca helaian, pengguna pertama perlu mengimbas semua helaian menggunakan pengimbas standard. Tukarkan mereka menjadi imej individu dan letakkan dalam satu folder, termasuk kunci jawapan. Selain membaca imej yang diimbas, ia juga boleh menilai keputusan peperiksaan secara automatik. Ia melakukannya dengan membandingkan kunci yang disediakan dengan output. Selepas program selesai memproses, keputusan akan disimpan sebagai fail CSV dalam folder output yang anda pilih. Perpustakaan ini juga menyediakan sokongan untuk mengekstrak data apabila membaca imej yang sedikit terdistorsi. Dengan keluaran terbaru, perpustakaan meningkatkan algoritma pencarian grid dan memperoleh hasil yang lebih baik dengan imej anda. Ia menetapkan grid berdasarkan empat tanda sudut dan kemudian membaca gelembung dari lokasi dalam grid. Contoh berikut menunjukkan cara mengira keputusan melalui kod Python.

Bagaimana Mengira Keputusan Lembaran Jawapan Peperiksaan menggunakan API Python?

import csv
import pathlib
import typing as tp

import data_exporting
import grid_info
import list_utils
import math_utils

def score_results(results: data_exporting.OutputSheet,
                  answer_keys: data_exporting.OutputSheet,
                  num_questions: int) -> data_exporting.OutputSheet:
    answers = results.data
    keys = establish_key_dict(answer_keys)
    form_code_column_name = data_exporting.COLUMN_NAMES[
        grid_info.Field.TEST_FORM_CODE]
    form_code_index = list_utils.find_index(answers[0], form_code_column_name)
    answers_start_index = list_utils.find_index(
        answers[0][form_code_index + 1:], "Q1") + form_code_index + 1
    virtual_fields: tp.List[grid_info.RealOrVirtualField] = [
        grid_info.VirtualField.SCORE, grid_info.VirtualField.POINTS
    ]
    columns = results.field_columns + virtual_fields
    scored_results = data_exporting.OutputSheet(columns, num_questions)

    for exam in answers[1:]:  # Skip header row
        fields = {
            k: v
            for k, v in zip(results.field_columns, exam[:answers_start_index])
        }
        form_code = exam[form_code_index]
        try:
            if "*" in keys:
                key = keys["*"]
            else:
                key = keys[form_code]
        except KeyError:
            fields[grid_info.VirtualField.
                   SCORE] = data_exporting.KEY_NOT_FOUND_MESSAGE
            fields[grid_info.VirtualField.
                   POINTS] = data_exporting.KEY_NOT_FOUND_MESSAGE
            scored_answers = []
        else:
            scored_answers = [
                int(actual == correct)
                for actual, correct in zip(exam[answers_start_index:], key)
            ]
            fields[grid_info.VirtualField.SCORE] = str(
                round(math_utils.mean(scored_answers) * 100, 2))
            fields[grid_info.VirtualField.POINTS] = str(sum(scored_answers))
        string_scored_answers = [str(s) for s in scored_answers]
        scored_results.add(fields, string_scored_answers)

    return scored_results

Ketepatan dan Ketahanan yang Dipertingkat

Perpustakaan Open-MCR sumber terbuka merupakan tambahan yang berharga kepada set alat pengamal pembelajaran mesin yang ingin meningkatkan prestasi model klasifikasi berbilang kelas mereka. Mekanisme penolakan meningkatkan ketepatan keseluruhan model klasifikasi berbilang kelas, terutamanya dalam situasi di mana model tradisional mungkin menghadapi kesukaran. Mekanisme ini juga meningkatkan ketahanan model dengan menghalangnya daripada membuat ramalan yang tidak boleh dipercayai, memastikan hasil yang lebih boleh diharap dalam pelbagai senario dunia sebenar.

 Melayu