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

Machine learning estimators for bipartite data.

ویژگی	مقدار
سیستم عامل	-
نام فایل	bipartite-learn-0.6.1b0
نام	bipartite-learn
نسخه کتابخانه	0.6.1b0
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Pedro Ilídio
ایمیل نویسنده	pedrilidio@gmail.com
آدرس صفحه اصلی	http://github.com/pedroilidio/bipartite_learn
آدرس اینترنتی	https://pypi.org/project/bipartite-learn/
مجوز	new BSD

<p align="center"> <img src="https://github.com/pedroilidio/bipartite_learn/raw/main/docs/logos/bipartite_learn_wide_banner.png" width="100%"> </p> --- _Machine learning estimators tailored to bipartite datasets._ In a usual machine learning setting, one is interested in predicting a set of outputs `y` from a given feature vector `x` representing an input instance. There are tasks, however, that are sometimes better modeled as bipartite networks, in which two domains of instances are present and only inter-domain relationships are plausible between pairs of instances. The goal is then to predict aspects (`y`) of such interaction between a sample from the first domain and another from the second domain, respectively represented by feature vectors `x1` and `x2`. In other words, it is sometimes desirable to model a function in the format `(x1, x2) -> y` rather than the usual `x -> y` format. Examples of such tasks can be found in the realms of interaction prediction and recommendation systems, and the datasets corresponding to them can be presented as a pair of design matrices (`X1` and `X2`) together with an interaction matrix `Y` that describes each relationship between the samples `X1[i]` and `X2[j]` in the position `Y[i, j]`. This package provides: 1. A collection of tools to adapt usual algorithms to bipartite data; 2. Tree-based estimators designed specifically to such datasets, which yield expressive performance improvements over the naive adaptations of their monopartite counterparts. ## Installation `bipartite_learn` is available on PyPI, and thus can be installed with `pip`: ``` $ pip install bipartite_learn ``` Local installation can be done either by providing the `--user` flag to the above command or by cloning this repository and issuing `pip` afterwards. ``` $ git clone https://github.com/pedroilidio/bipartite_learn $ cd bipartite_learn $ pip install --editable . ``` The optional `--editable` (or `-e`) flag installs the package as symbolic links to the local cloned repository, so that changes in it will be immediatly recognized.

نحوه نصب

نصب پکیج whl bipartite-learn-0.6.1b0:

pip install bipartite-learn-0.6.1b0.whl

نصب پکیج tar.gz bipartite-learn-0.6.1b0:

pip install bipartite-learn-0.6.1b0.tar.gz