معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

Bayesian inference of algorithm performance using permutation models.

ویژگی	مقدار
سیستم عامل	-
نام فایل	BayesPermus-1.0.0
نام	BayesPermus
نسخه کتابخانه	1.0.0
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Jairo Rojas-Delgado
ایمیل نویسنده	jrojasdelgado@bcamath.org
آدرس صفحه اصلی	https://github.com/ml-opt/BayesPermus
آدرس اینترنتی	https://pypi.org/project/BayesPermus/
مجوز	-

# BayesPermus Bayesian inference of algorithm performance using permutation models. ## Installation ``` pip install BayesPermus ``` ## Usage 1. Prepare permutation data: ```python permus = np.array([[1,2,3], [1,3,2]]) ``` 2. Obtain the marginal probabilities: ```python from BayesPermus.models.BradleyTerry import BradleyTerry # BT Dirichlet hyper-priors dirichlet_alpha_bt = [1, 1, 1] # Create Bayesian inference model bradleyTerry = BradleyTerry(dirichlet_alpha_bt, num_samples=1000) # Calculate the marginal probabilities probs = bradleyTerry.calculate_top_ranking_probs(permus) ``` ## Additional available models * Bradley-Terry: ```python from BayesPermus.models.BradleyTerry import BradleyTerry ``` * Plackett-Luce: ```python from BayesPermus.models.PlackettLuce import PlackettLuceDirichlet from BayesPermus.models.PlackettLuce import PlackettLuceGamma ``` * Mallows Model: ```python from BayesPermus.models.MallowsModel import MallowsModel ``` ## Additional available marginals * Probability of an algorithm to be in the first position: `model.calculate_top_ranking_probs(...)`. * Probability of an algorithm to outperform another: `model.calculate_better_than_probs(...)`. * Probability of an algorithm to be in the top-k ranking: `model.calculate_top_k_probs(...)`.

زبان مورد نیاز

مقدار	نام
>=3.6	Python

نحوه نصب

نصب پکیج whl BayesPermus-1.0.0:

pip install BayesPermus-1.0.0.whl

نصب پکیج tar.gz BayesPermus-1.0.0:

pip install BayesPermus-1.0.0.tar.gz