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

Conditional Tree Bayesian Network for multi-label classification

ویژگی	مقدار
سیستم عامل	-
نام فایل	CTBN-0.0.1
نام	CTBN
نسخه کتابخانه	0.0.1
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Brij Malhotra
ایمیل نویسنده	brij.g.malhotra@gmail.com
آدرس صفحه اصلی	https://github.com/brijml/CTBN
آدرس اینترنتی	https://pypi.org/project/CTBN/
مجوز	-

# Conditional Tree Bayesian Network This package can be used as a library to fit a `Conditional Tree Bayesian Network (CTBN)`[[1]](#1). The main module is the `CTBN` class. 1. Use the `fit()` method to fit the `CTBN` to your multi-label classification data [[1]](#1). This method generates an optimal `CTBN` which is an instance of [DirectedGraph](https://github.com/brijml/CTBN/blob/main/src/graph_preliminaries.py) using the [Chu-Liu-Edmond's algorithm](https://github.com/brijml/CTBN/blob/main/src/msa.py) for finding a maximum spanning arborescence [[2]](#2). 2. The `predict()` method returns the most likely assignment to the class variables along with the probability of the assignment. The predict method uses the junction tree algorithm[[3]](#3) to run the most likely explanation(MLE) query. ### Usage An example of using the package can be found in the jupyter notebook [here](https://github.com/brijml/CTBN/blob/main/compare-multiclass-classifier.ipynb). ``` # Import the CTBN class and assuming you have a dataset X_train and Y_train which are numpy arrays. from ctbn import CTBN model = CTBN() model.fit(X_train, Y_train) #Calling the fit method will generate an optimal CTBN graph of type #DirectedGraph defined in src/graph_preliminaries.py #Get predictions and the probability of a prediction on a single sample #using the predict method. This method will in turn call the junction tree #algorithm to run the max-sum algorithm on a test_sample. max_log_prob, max_assignment = model.predict(test_sample) ``` ### References <a id="1">[1]</a> Batal, Iyad and Hong, Charmgil and Hauskrecht, Milos (2013). An Efficient Probabilistic Framework for Multi-Dimensional Classification. In <em>Proceedings of the 22nd ACM International Conference on Information amp; Knowledge Management</em>, CIKM ’13, New York, NY,USA, pp. 2417–2422. Association for Computing Machinery. [https://doi.org/10.1145/2505515.2505594](https://doi.org/10.1145/2505515.2505594) <a id="2">[2]</a> Chu, Y. J. and T. H. Liu, "On the Shortest Arborescence of a Directed Graph," Sci. Sinica, 14, 1965, pp. 1396-1400. <a id="3">[3]</a> Koller, D., & Friedman, N. (2009). Probabilistic Graphical Models: Principles and Techniques. MIT Press.

نیازمندی

مقدار	نام
-	numpy
-	scikit-learn

زبان مورد نیاز

مقدار	نام
>=3.6	Python

نحوه نصب

نصب پکیج whl CTBN-0.0.1:

pip install CTBN-0.0.1.whl

نصب پکیج tar.gz CTBN-0.0.1:

pip install CTBN-0.0.1.tar.gz