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

Tools for Metabolomics Multivariate Analysis

ویژگی	مقدار
سیستم عامل	-
نام فایل	cheMLearning-0.0.1
نام	cheMLearning
نسخه کتابخانه	0.0.1
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Christian Peralta
ایمیل نویسنده	christian_94_97@hotmail.com
آدرس صفحه اصلی	https://github.com/Christ14n97/cheMLearning
آدرس اینترنتی	https://pypi.org/project/cheMLearning/
مجوز	MIT

**cheMLearning** library provides of high-level, user-friendly tools to perform common chemometrics analysis in untargeted metabolomics. Modelling is done using scikit-learn framework, for machine learning; while visualizations are mainly done with Plotly. Main modules are: - unsupervised_modelling - supervised_modelling - utils ## Installation ```python pip install cheMLearning ``` within a Jupyter Notebook cell ```python !pip install cheMLearning ``` # Unsupervised modelling Unsupervised class works around `Principal Component Analysis`, facilitating the visualization of score and loading plots. Moreover, `Hierarchical Clustering Analysis` can be called on the principal components and visualize a score plot where the color code is given by the clusters of the HCA. Visualizations can be obtained without having to manipulate scores or loadings. However, if one would like to access to these outputs, they can be accessed via class modules. ## Import ```python from cheMLearning.unsupervised_modelling import unsupervised_class ``` # Supervised modelling Supervised class includes `Partial Least Squares` and `Random Forest` which can be used for either regression or classification tasks. PLS is computed with the NIPALS algorithm. In the PLS modelling, tools to compute goodness metrics, i.e. R² and Q², VIPs, are provided. In addition to a static functions to ease feature extraction VIP for a given VIP threshold. For RF modelling, it can be computed the distance matrix for a RF-classifier model. It allows tracking where the observations land in the forest. Analytical tools for classifiers are also provided by facilitating a classification report. ## Import ```python from cheMLearning.unsupervised_modelling import supervised_class ``` # Utils Here, tools to create confusion matrices and ROC curves are provided. In case one is working with MetaboRank (MR) tool, a function to read MR's output is provided. ## Import ```python from cheMLearning import utils ``` Change Log ========== 0.0.1 (09/11/2022) ------------------ - First Release

نیازمندی

مقدار	نام
>=1.23.4	numpy
>=1.5.1	pandas
>=5.11.0	plotly
>=1.1.3	scikit-learn
>=1.9.3	scipy
>=2.0.1	xlrd

نحوه نصب

نصب پکیج whl cheMLearning-0.0.1:

pip install cheMLearning-0.0.1.whl

نصب پکیج tar.gz cheMLearning-0.0.1:

pip install cheMLearning-0.0.1.tar.gz