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

clustermil - clustering based multiple instance learning

ویژگی	مقدار
سیستم عامل	-
نام فایل	clustermil-0.2.0
نام	clustermil
نسخه کتابخانه	0.2.0
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Inoue Akimitsu
ایمیل نویسنده	inoue.akimitsu@gmail.com
آدرس صفحه اصلی	https://github.com/inoueakimitsu/clustermil
آدرس اینترنتی	https://pypi.org/project/clustermil/
مجوز	MIT

# clustermil [![Build Status](https://app.travis-ci.com/inoueakimitsu/clustermil.svg?branch=main)](https://app.travis-ci.com/inoueakimitsu/clustermil) <a href="https://github.com/inoueakimitsu/clustermil/issues"><img alt="GitHub issues" src="https://img.shields.io/github/issues/inoueakimitsu/clustermil"></a> Python package for multiple instance learning (MIL) for large n_instance dataset. ## Features - support count-based multiple instance assumptions (see [wikipedia](https://en.wikipedia.org/wiki/Multiple_instance_learning#:~:text=Presence-%2C%20threshold-%2C%20and%20count-based%20assumptions%5Bedit%5D)) - support multi-class setting - support scikit-learn Clustering algorithms (such as `MiniBatchKMeans`) - fast even if n_instance is large ## Installation ```bash pip install clustermil ``` ## Usage ```python # Prepare follwing dataset # # - bags ... list of np.ndarray # (num_instance_in_the_bag * num_features) # - lower_threshold ... np.ndarray (num_bags * num_classes) # - upper_threshold ... np.ndarray (num_bags * num_classes) # # bags[i_bag] contains not less than lower_thrshold[i_bag, i_class] # i_class instances. # Prepare single-instance clustering algorithms from sklearn.cluster import MiniBatchKMeans n_clusters = 100 clustering = MiniBatchKMeans(n_clusters=n_clusters) clusters = clustering.fit_predict(np.vstack(bags)) # flatten bags into instances # Prepare one-hot encoder from sklearn.preprocessing import OneHotEncoder onehot_encoder = OneHotEncoder() onehot_encoder.fit(clusters) # generate ClusterMilClassifier with helper function from clustermil import generate_mil_classifier milclassifier = generate_mil_classifier( clustering, onehot_encoder, bags, lower_threshold, upper_threshold, n_clusters) # after multiple instance learning, # you can predict instance class milclassifier.predict([instance_feature]) ``` See `tests/test_classification.py` for an example of a fully working test data generation process. ## License clustermil is available under the MIT License.

نیازمندی

مقدار	نام
>=1.23.1,<2.0.0	numpy
>=1.4.3,<2.0.0	pandas
>=1.1.1,<2.0.0	scikit-learn
>=2.6.0,<3.0.0	PuLP

زبان مورد نیاز

مقدار	نام
>=3.8,<4.0	Python

نحوه نصب

نصب پکیج whl clustermil-0.2.0:

pip install clustermil-0.2.0.whl

نصب پکیج tar.gz clustermil-0.2.0:

pip install clustermil-0.2.0.tar.gz