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

Library to generate toy data for machine learning experiments in the context of all-relevant feature selection.

ویژگی	مقدار
سیستم عامل	-
نام فایل	arfs-gen-1.1.2
نام	arfs-gen
نسخه کتابخانه	1.1.2
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Lukas Pfannschmidt
ایمیل نویسنده	lukas@lpfann.me
آدرس صفحه اصلی	https://github.com/lpfann/arfs_gen
آدرس اینترنتی	https://pypi.org/project/arfs-gen/
مجوز	MIT

# All Relevant Feature Selection Generator Library (ARFS-Gen) ![PyPI](https://img.shields.io/pypi/v/arfs_gen) ![PyPI - Python Version](https://img.shields.io/pypi/pyversions/arfs_gen) ![PyPI - License](https://img.shields.io/pypi/l/arfs_gen) This repository contains a python library to generate synthetic (toy) data for use in research papers when evaluating all relevant feature selection e.g. used in [fri](https://github.com/lpfann/fri). It allows creating datasets with a specified number of strongly and weakly relevant features as well as random noise features. In the newest revision it also includes methods which generate data with privileged information. It works by utilizing existing methods from `numpy` and `scikit-learn`. # Install The library is available on [PyPi](https://pypi.org/project/arfs-gen/). Install via `pip`: ```shell pip install arfs_gen ``` or clone this repository and use: ```shell pip install . ``` # Usage In the following we generate a simple regression data set with a mix of strongly and weakly relevant features: ```python # Import relevant method from arfs_gen import genRegressionData # Import model from sklearn.svm import LinearSVR # Specify parameters n = 100 # Features strRel = 2 strWeak = 2 # Overall number of features (Rest will be filled by random features) d = 10 # Generate the data X, y = genRegressionData( n_samples=n, n_features=d, n_redundant=strWeak, n_strel=strRel, n_repeated=0, noise=0, ) # Fit a model linsvr = LinearSVR() linsvr.fit(X, y) ``` # Development For dependency management we use the newly released [poetry](https://python-poetry.org/) tool. If you have `poetry` installed, use ```shell $ poetry install ``` inside the project folder to create a new `venv` and to install all dependencies. To enter the newly created `venv` use ```shell $ poetry env ``` to open a new shell inside. Or alternatively run commands inside the `venv` with `poetry run ...`. ## Test Test it by running `poetry run pytest`.

نیازمندی

مقدار	نام
>=1,<2	numpy
>=0,<1	scikit-learn

زبان مورد نیاز

مقدار	نام
>=3.6,<4.0	Python

نحوه نصب

نصب پکیج whl arfs-gen-1.1.2:

pip install arfs-gen-1.1.2.whl

نصب پکیج tar.gz arfs-gen-1.1.2:

pip install arfs-gen-1.1.2.tar.gz