معرفی شرکت ها
XBNet-1.4.6
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 بیشترتوضیحات
XBNet is an open source project which is built with PyTorch that works as a Boosted neural network for tabular data
| ویژگی | مقدار |
|---|---|
| سیستم عامل | OS Independent |
| نام فایل | XBNet-1.4.6 |
| نام | XBNet |
| نسخه کتابخانه | 1.4.6 |
| نگهدارنده | [] |
| ایمیل نگهدارنده | [] |
| نویسنده | Tushar Sarkar |
| ایمیل نویسنده | tushar.sarkar@somaiya.edu |
| آدرس صفحه اصلی | https://github.com/tusharsarkar3/ |
| آدرس اینترنتی | https://pypi.org/project/XBNet/ |
| مجوز | MIT |
# XBNet - Xtremely Boosted Network
## Boosted neural network for tabular data
[](https://pytorch.org/ "PyTorch")
[](https://paperswithcode.com/sota/iris-classification-on-iris?p=xbnet-an-extremely-boosted-neural-network)
[](https://paperswithcode.com/sota/diabetes-prediction-on-diabetes?p=xbnet-an-extremely-boosted-neural-network)
[](https://paperswithcode.com/sota/survival-prediction-on-titanic?p=xbnet-an-extremely-boosted-neural-network)
[](https://paperswithcode.com/sota/breast-cancer-detection-on-breast-cancer-1?p=xbnet-an-extremely-boosted-neural-network)
[](https://paperswithcode.com/sota/fraud-detection-on-kaggle-credit-card-fraud?p=xbnet-an-extremely-boosted-neural-network)
XBNET that is built on PyTorch combines tree-based models with neural networks to create a robust architecture that is trained by using
a novel optimization technique, Boosted Gradient Descent for Tabular
Data which increases its interpretability and performance. Boosted Gradient Descent is initialized with the
feature importance of a gradient boosted tree, and it updates the weights of each
layer in the neural network in two steps:
- Update weights by gradient descent.
- Update weights by using feature importance of a gradient boosted tree
in every intermediate layer.
## Features
- Better performance, training stability and interpretability for tabular data.
- Easy to implement with rapid prototyping capabilities
- Minimum Code requirements for creating any neural network with or without boosting
---
### Comparison with XGBOOST
XBNET VS XGBOOST testing accuracy on different datasets with no hyperparameter tuning
| Dataset | XBNET | XGBOOST |
| ---------------- | ---------------- | ---------------- |
| Iris | <b>100</b> | 97.7 |
| Breast Cancer | <b>96.49</b> | 96.47 |
| Diabetes | <b>78.78</b> | 77.48 |
| Titanic | 79.85 | <b>80.5</b> |
| German Credit | 71.33 | <b>77.66</b> |
---
### Installation :
```
pip install --upgrade git+https://github.com/tusharsarkar3/XBNet.git
```
---
### Example for using
```
import torch
import numpy as np
import pandas as pd
from sklearn.preprocessing import LabelEncoder
from sklearn.model_selection import train_test_split
from XBNet.training_utils import training,predict
from XBNet.models import XBNETClassifier
from XBNet.run import run_XBNET
data = pd.read_csv('test\Iris (1).csv')
print(data.shape)
x_data = data[data.columns[:-1]]
print(x_data.shape)
y_data = data[data.columns[-1]]
le = LabelEncoder()
y_data = np.array(le.fit_transform(y_data))
print(le.classes_)
X_train,X_test,y_train,y_test = train_test_split(x_data.to_numpy(),y_data,test_size = 0.3,random_state = 0)
model = XBNETClassifier(X_train,y_train,2)
criterion = torch.nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.01)
m,acc, lo, val_ac, val_lo = run_XBNET(X_train,X_test,y_train,y_test,model,criterion,optimizer,32,300)
print(predict(m,x_data.to_numpy()[0,:]))
```
---
### Output images
---
### Reference
If you make use of this software for your work, we would appreciate it if you would cite us:
```
@misc{sarkar2021xbnet,
title={XBNet : An Extremely Boosted Neural Network},
author={Tushar Sarkar},
year={2021},
eprint={2106.05239},
archivePrefix={arXiv},
primaryClass={cs.LG}
}
```
---
#### Features to be added :
- Metrics for different requirements
- Addition of some other types of layers
---
نیازمندی
| مقدار | نام |
|---|---|
| ==0.0 | sklearn |
| ==1.21.2 | numpy |
| ==1.3.3 | pandas |
| ==3.4.3 | matplotlib |
| ==1.9.0 | torch |
| ==1.4.2 | xgboost |
| ==4.62.2 | tqdm |
نحوه نصب
نصب پکیج whl XBNet-1.4.6:
pip install XBNet-1.4.6.whl
نصب پکیج tar.gz XBNet-1.4.6:
pip install XBNet-1.4.6.tar.gz