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

ویژگی	مقدار
سیستم عامل	-
نام فایل	brent-0.2.4
نام	brent
نسخه کتابخانه	0.2.4
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	-
ایمیل نویسنده	-
آدرس صفحه اصلی	-
آدرس اینترنتی	https://pypi.org/project/brent/
مجوز	-

[![Build Status](https://travis-ci.com/koaning/brent.svg?branch=master)](https://travis-ci.com/koaning/brent) [![Build status](https://ci.appveyor.com/api/projects/status/aancx73nveo29esu?svg=true)](https://ci.appveyor.com/project/koaning/brent) ![](images/logo.png) > They're good DAGs: brent. ## What it is Brent is a small, but fun, python library that makes it easy to explore causal graphical modelling and do-calculus on systems with discrete variables. Brent is a tool that can help out when you can write a system like below, but want to write complex queries on it. ![](images/dag1.png) ## Quickstart You can install brent via pip: ```bash pip install brent ``` Next we need to have a dataset and create a graph from it. The code below demonstrates how to do this. ```python from brent import DAG from brent.common import make_fake_df dag = (DAG(dataframe=make_fake_df(7)) .add_edge("e", "a") .add_edge("e", "d") .add_edge("a", "d") .add_edge("b", "d") .add_edge("a", "b") .add_edge("a", "c") .add_edge("b", "c") .add_edge("c", "f") .add_edge("g", "f")) dag.plot() ``` ![](images/complex-graph.png) Not only do we get pretty plots, but we also can build an expressive query on top of it. ```python from brent import Query q = Query(dag).given(d=1).do(a=0, c=1) q.plot() ``` ![](images/complex-query.png) If you're more interested in doing the inference, that's simple too. ```python # we can also see updated probabilities q.infer() q.infer(give_table=True) ``` ## Documentation Liked the quickstart? The documentation (which is generated with [pdoc3](https://github.com/pdoc3/pdoc)) can be found [here](https://koaning.github.io/brent/). ## Alpha Notice **NOTE!** this project is in **preview** stages. I think I have something fun here and I've written unit tests on what I'm doing but parts are still going under review. Also there are parts of the library currently missing but which are on a roadmap: 1. conditional indepdence tests 2. api for counterfactual queries 3. more unit tests 4. datasets to start/teach with 5. clear logging 6. estimator/transformers for scikit-learn ## Developing Locally After cloning you may install `brent` in the virtual environment via: ```bash $ pip install -e ".[dev]" ``` You can generate documentation locally by running: ```bash $ pdoc --html --overwrite --template-dir doc-settings --http 0.0.0.0:12345 brent ```

نیازمندی

مقدار	نام
>=1.15.4	numpy
>=1.2.0	scipy
>=0.20.2	scikit-learn
>=0.23.4	pandas
>=3.0.2	matplotlib
>=2.2	networkx
>=0.10.1	graphviz
>=3.6.0	flake8
>=3.3.1	pytest
>=0.5.2	pdoc3
>=0.9.1	nbval
>=0.5.1	plotnine
>=1.13.0	twine

زبان مورد نیاز

مقدار	نام
>=3.6	Python

نحوه نصب

نصب پکیج whl brent-0.2.4:

pip install brent-0.2.4.whl

نصب پکیج tar.gz brent-0.2.4:

pip install brent-0.2.4.tar.gz