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

Alternating Conditional Exceptation with Neural Network

ویژگی	مقدار
سیستم عامل	-
نام فایل	ace-nn-0.2
نام	ace-nn
نسخه کتابخانه	0.2
نگهدارنده	['zhaofeng-shu33']
ایمیل نگهدارنده	['616545598@qq.com']
نویسنده	zhaofeng-shu33
ایمیل نویسنده	616545598@qq.com
آدرس صفحه اصلی	https://github.com/zhaofeng-shu33/ace_nn
آدرس اینترنتی	https://pypi.org/project/ace-nn/
مجوز	Apache License Version 2.0

# ace_nn [![Build Status](https://travis-ci.org/zhaofeng-shu33/ace_nn.svg?branch=master)](https://travis-ci.org/zhaofeng-shu33/ace_nn) ## Introduction This repo contains experimental implementation of ace algorithm via neural network. It is shown by **xiangxiang-xu** that calculating optimal features by *Alternating Conditional Expectation* is equivalent to maximize *H-score*. ## How to run Three examples are provided ( one for continuous variable and the other twos are for discrete variable) and their results are the same as `ace`. The main function is `ace_nn` and its parameters are very similar to [`ace_cream`](https://github.com/zhaofeng-shu33/ace_cream). ```python import numpy as np from ace_nn import ace_nn # discrete case, binary symmetric channel with crossover probability 0.1 N_SIZE = 1000 x = np.random.choice([0,1], size=N_SIZE) n = np.random.choice([0,1], size=N_SIZE, p=[0.9, 0.1]) y = np.mod(x + n, 2) # set both x(cat=0) and y(cat=-1) as categorical type tx, ty = ace_nn(x, y, cat=[-1,0], epochs=100) # continuous case x = np.random.uniform(0, np.pi, 200) y = np.exp(np.sin(x)+np.random.normal(size=200)/2) tx, ty = ace_nn(x, y) ``` For more detail, run `help(ace_nn)` to see the parameters and returns of this function. ## Further discussion Currently, the neural networks used to approximate optimal $f(x)$ and $g(y)$ are two-layer MLP with `tanh` as activation function. More turns of epochs are needed for large alphabet $|\mathcal{X}|$ and $|\mathcal{Y}|$ and the running time is not short. Also, `batch_size` and `hidden_units_num` can be hypertuned, and there is no guarantee that current configuration of neural network is optimal for solving ace. ## Application we can use `ace_nn(x, y, return_hscore = True)` to calculate a lower bound of $\frac{\norm{B}_F^2}{2}$

نحوه نصب

نصب پکیج whl ace-nn-0.2:

pip install ace-nn-0.2.whl

نصب پکیج tar.gz ace-nn-0.2:

pip install ace-nn-0.2.tar.gz