معرفی شرکت ها

causal-ccm-0.3.3

Card image cap
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
Card image cap
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
Card image cap
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
Card image cap
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
Card image cap
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
0.3.3
0.3.2
0.3.1
0.3
0.2
0.1
0.3.2

توضیحات

implementation of convergent cross mapping by Sugihara et al (2012)
ویژگی مقدار
سیستم عامل -
نام فایل causal-ccm-0.3.3
نام causal-ccm
نسخه کتابخانه 0.3.3
نگهدارنده []
ایمیل نگهدارنده []
نویسنده Prince Javier
ایمیل نویسنده othepjavier@gmail.com
آدرس صفحه اصلی https://github.com/PrinceJavier/causal_ccm
آدرس اینترنتی https://pypi.org/project/causal-ccm/
مجوز MIT
# causal_ccm Package implementing Convergent Cross Mapping for causality inference in dynamical systems as defined by [Sugihara et al (2012)](https://science.sciencemag.org/content/338/6106/496) ### Example usage For an example how to use, see: https://github.com/PrinceJavier/causal_ccm/blob/main/usage_sample.ipynb <br>Source code: https://github.com/PrinceJavier/causal_ccm ### To install `pip install causal-ccm` ### To use Say we want to check if X drives Y. We first define `ccm` using: * `X` and `Y` - time series data * `tau` - time lag (if `tau=1` we get `[t, t-1, t-2...]` as our shadow manifold embedding * `E` - embedding dimension (default=2) for the shadow manifold * `L` - time horizon to consider, defaults at length of time series X We import the package <br>`from causal_ccm.causal_ccm import ccm` We define `ccm`: <br>`ccm1 = ccm(X, Y, tau, E, L) # define ccm with X, Y time series ` We check the strength of causality measured as correlation in prediction vs true (see Sugihara (2012)) <br>`ccm1.causality()` We can visualize cross mapping between manifolds of X and Y <br>`ccm1.visualize_cross_mapping()` We visualize correlation of X->Y <br>We stronger correlation = stronger causal relationship <br>`ccm1.plot_ccm_correls()` Finally, we can check convergence in predictions (correlations) by computing `ccm1.causality()` for `ccm1` defined with different L values.


نحوه نصب


نصب پکیج whl causal-ccm-0.3.3:

    pip install causal-ccm-0.3.3.whl


نصب پکیج tar.gz causal-ccm-0.3.3:

    pip install causal-ccm-0.3.3.tar.gz