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

EASIER-net

ویژگی	مقدار
سیستم عامل	-
نام فایل	EASIER-net-0.0.8
نام	EASIER-net
نسخه کتابخانه	0.0.8
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Jean Feng
ایمیل نویسنده	jeanfeng@gmail.com
آدرس صفحه اصلی	https://github.com/jjfeng/easier_net
آدرس اینترنتی	https://pypi.org/project/EASIER-net/
مجوز	-

# EASIER-net Feng, Jean, and Noah Simon. 2022. “Ensembled Sparse‐input Hierarchical Networks for High‐dimensional Datasets.” Statistical Analysis and Data Mining, March. https://doi.org/10.1002/sam.11579. Python code for fitting EASIER-nets and reproducing all results from the paper. The python code uses [PyTorch](https://pytorch.org/). R code for fitting EASIER-net is available at https://github.com/jjfeng/easier_net_R. ## Quick-start Setup a python virtual environment (code runs for python 3.6) with the appropriate packages from `requirements.txt`. Simulate data using by following the tutorial notebook or load your own into a `npz` format with `x` and `y` attributes. You may also perform GridSearchCV by following the tutorial. To fit an EASIER-net, run ``` python fit_easier_net.py --n-estimators <N_ESTIMATORS> --input-filter-layer <INPUT_FILTER_LAYER> --n-layers <N_LAYERS> --n-hidden <N_HIDDEN> --input-pen <INPUT_PEN> --full-tree-pen <FULL_TREE_PEN> --batch-size <BATCH_SIZE> --num-classes <NUM_CLASSES> --weight <WEIGHT> --max-iters <MAX_ITERS> --max-prox-iters <MAX_PROX_ITERS> --model-fit-params-file <MODEL_FIT_PARAMS_FILE> ``` where: * `N_ESTIMATORS` should be size of ensemble; the number of SIER-nets being ensembled. * `INPUT_FILTER_LAYER` is whether to scale the inputs by parameter β * `N_LAYERS` is the number of hidden layers * `N_HIDDEN` is the number of hidden nodes per layer * `INPUT_PEN` specifies $\lambda_1$ in the paper; controls the input sparsity * `FULL_TREE_PEN` specifies $\lambda_2$ in the paper; controls the number of active layers and hidden nodes * `BATCH_SIZE` specifies the size of the mini-batches for Adam * `NUM_CLASSES` should be 0 if doing regression and `NUM_CLASSES` should be the number of classes if doing binary/multi-classification * `WEIGHT` is a list of weights for the classes * `MAX_ITERS` is the number of epochs to run Adam * `MAX_PROX_ITERS` is the number of epochs to run batch proximal gradient descent * `MODEL_FIT_PARAMS_FILE` is a json file that specifies what the hyperparameters are. If given, this will override the arguments passed in. To perform cross-validation, one should run separate `fit_easier_net.py` scripts for each candidate penalty parameter values. Then select the best penalty parameter values using `collate_best_param.py`.

زبان مورد نیاز

مقدار	نام
>=3.6	Python

نحوه نصب

نصب پکیج whl EASIER-net-0.0.8:

pip install EASIER-net-0.0.8.whl

نصب پکیج tar.gz EASIER-net-0.0.8:

pip install EASIER-net-0.0.8.tar.gz