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

CWGP

ویژگی	مقدار
سیستم عامل	-
نام فایل	CWGP-2.0.7
نام	CWGP
نسخه کتابخانه	2.0.7
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Andy Chen
ایمیل نویسنده	andy97_861022_chen@hotmail.com
آدرس صفحه اصلی	https://github.com/andy971022/CWGP
آدرس اینترنتی	https://pypi.org/project/CWGP/
مجوز	-

# Compositionally Warped Gaussian Processes This package is dedicated to realizing methods used in this [paper](https://arxiv.org/abs/1906.09665). ## TLDR; A package that transforms anything to a Gaussian distribution. ## Tutorial Visit [here](./examples/cwgp_beta.ipynb) ## Installation `pip install CWGP` ## Quick Start Let's randomly generate 100 numbers following an exponential distribution. ``` python import numpy as np import seaborn as sns import matplotlib.pyplot as plt exp = np.random.exponential(scale=5, size=50) idx = np.arange(50) ``` ![](./images/1.png) We now instantiate a CWGP class consisting of 3 Sinh-Arcsinh transformations. ``` python from cwgp.cwgp import CWGP compgp = CWGP(["sa","box_cox"]) ``` We then fit our data into the model. This minimizes the negative log likelihood function and stores the corresponding parameters for us. ``` python compgp.fit(exp, idx) ``` To get the parameters, we do ``` python params = compgp.phi.res.x ``` We then transform the data via ``` python t_exp, d = compgp.phi.comp_phi(params, exp) sns.distplot(t_exp) plt.show() ``` ![](./images/2.png) Let's make a QQ-plot and see how Gaussian it is. ``` python from scipy import stats stats.probplot(t_exp, dist="norm", plot=plt) plt.show() ``` ![](./images/3.png) The inverse function is also implemented. ``` python inv_t_exp = compgp.phi.inv_comp_phi(params, t_exp) ``` ``` python fig, ax = plt.subplots(1, 2) sns.distplot(inv_t_exp, ax=ax[0]) sns.distplot(exp, ax=ax[1]) plt.show() ``` The one on the left is the one being transformed and transformed-back, and the one on the right is the original distribution. They should be exactly the same. ![](./images/4.png) ## Transformations ### Sinh-Arcsinh (sa) `from cwgp.transformations import sa` ### Arcsinh (asinh) `from cwgp.transformations import asinh` ### Box-Cox (box_cox) `from cwgp.transformations import box_cox` ### Sinh-Arcsinh and Affine (SAL) `from cwgp.transformations import sal`

نیازمندی

مقدار	نام
-	autograd
>=1.5.4	scipy
>=4.56.1	tqdm
>=1.18.0	numpy
>=1.9.9	gpy

زبان مورد نیاز

مقدار	نام
>=3.6	Python

نحوه نصب

نصب پکیج whl CWGP-2.0.7:

pip install CWGP-2.0.7.whl

نصب پکیج tar.gz CWGP-2.0.7:

pip install CWGP-2.0.7.tar.gz