معرفی شرکت ها
bem-1.0.0
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
Random forest for exoplanets
| ویژگی | مقدار |
|---|---|
| سیستم عامل | - |
| نام فایل | bem-1.0.0 |
| نام | bem |
| نسخه کتابخانه | 1.0.0 |
| نگهدارنده | [] |
| ایمیل نگهدارنده | [] |
| نویسنده | Solène Ulmer-Moll |
| ایمیل نویسنده | solene.ulmer-moll@astro.up.pt |
| آدرس صفحه اصلی | https://github.com/soleneulmer/bem |
| آدرس اینترنتی | https://pypi.org/project/bem/ |
| مجوز | MIT |
## BEM : beyond the exoplanet mass-radius relation with random forest
Predicting the radius of exoplanets based on its planetary and stellar parameters
<img src="https://github.com/soleneulmer/bem/raw/master/figures/Bem.png" width="200">
[](https://travis-ci.org/soleneulmer/bem)
[](https://github.com/soleneulmer/bem/LICENSE)
[](https://badge.fury.io/py/bem)
[](https://arxiv.org/abs/1909.07392)
### Branca Edmée Marques
A portuguese scientist who worked on nuclear physics in France with Marie Curie
### To install bem
```bash
pip install bem
```
or
```bash
git clone https://github.com/soleneulmer/bem.git
cd bem
python setup.py install
```
### A simple decision tree
#### to predict exoplanet radius
<img src="https://github.com/soleneulmer/bem/raw/master/figures/decision_tree.png" width="200">
### How to run bem:
#### 1. Load dataset and model
```bash
# Load exoplanet and solar system planets dataset
dataset = bem.load_dataset()
# Plot the dataset radius as a function of mass and equilibrium temperature
bem.plot_dataset(dataset)
```
```bash
# Build the random forest model and predict radius of the dataset
regr, y_test_predict, _, train_test_sets = bem.random_forest_regression(dataset)
```
#### 2. Predict the radius of your planet
my_planet = [planetary_mass,
semi major axis,
eccentricity,
stellar radius,
stellar effective temperature,
stellar mass]
or with error bars
my_planet = [planetary_mass, error,
semi major axis, error
eccentricity, error,
stellar radius, error,
stellar effective temperature, error,
stellar mass, error]
```bash
# Predict a new radius
radius, my_pred_planet = bem.predict_radius(my_planet=np.array([[1.63,
0.034,
0.02,
0.337,
3505.0,
0.342]]),
my_name=np.array(['GJ 357 b']),
regr=regr,
jupiter_mass=False,
error_bar=False)
# If error_bar is True
# print('Radius: ', radius[0][0], '+-', radius[1])
```
#### 3. Compute error bars for the radius predictions
```bash
# Load exoplanet and solar system planets dataset with uncertainties
dataset_errors = bem.load_dataset_errors()
# Compute the error bars for the test set planets
radii_test_output_error, _ = bem.computing_errorbars(regr,
dataset_errors,
train_test_sets)
# Plot the test set, true radius versus RF predicted radius
bem.plot_true_predicted(train_test_sets,
y_test_predict,
radii_test_output_error)
```
#### 4. Radial velocity dataset
```bash
# Load the radial velocity dataset
dataset_rv = bem.load_dataset_RV()
# Predict the radius of the RV dataset
radii_RV_RF = regr.predict(dataset_rv)
# Plot the predictions of the RV dataset
bem.plot_dataset(dataset_rv, predicted_radii=radii_RV_RF, rv=True)
```
#### 5. Diagnostic plots
```bash
# Plot the learning curve
bem.plot_learning_curve(regr, dataset)
# Plot the validation curves
bem.plot_validation_curves(regr, dataset, name='features')
bem.plot_validation_curves(regr, dataset, name='tree')
bem.plot_validation_curves(regr, dataset, name='depth')
```
#### 6. LIME explanations
see their [github](https://github.com/marcotcr/lime)
```bash
# Explain the RF predictions
# of the exoplanets from the test set
bem.plot_LIME_predictions(regr, dataset, train_test_sets)
# LIME explanation for your planet
# in this case GJ 357 b
bem.plot_LIME_predictions(regr, dataset, train_test_sets,
my_pred_planet=my_pred_planet,
my_true_radius=1.166)
```
نحوه نصب
نصب پکیج whl bem-1.0.0:
pip install bem-1.0.0.whl
نصب پکیج tar.gz bem-1.0.0:
pip install bem-1.0.0.tar.gz