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

Library to perform confounded domain adaptation.

ویژگی	مقدار
سیستم عامل	OS Independent
نام فایل	condo-0.4.0
نام	condo
نسخه کتابخانه	0.4.0
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Calvin McCarter
ایمیل نویسنده	mccarter.calvin@gmail.com
آدرس صفحه اصلی	https://github.com/calvinmccarter/condo-adapter
آدرس اینترنتی	https://pypi.org/project/condo/
مجوز	apache-2.0

# condo-adapter [![PyPI version](https://badge.fury.io/py/condo.svg)](https://badge.fury.io/py/condo.svg) [![Downloads](https://pepy.tech/badge/condo)](https://pepy.tech/project/condo) [![CC BY-NC-SA 4.0][cc-by-nc-sa-shield]][cc-by-nc-sa] ConDo Adapter performs Confounded Domain Adaptation, which corrects for batch effects while conditioning on confounding variables. We hope it sparks joy as you clean up your data! ### Using and citing this toolbox If you use this toolbox in your research and find it useful, please cite ConDo using the following reference to our [arXiv preprint](https://arxiv.org/abs/2203.12720): In Bibtex format: ```bibtex @misc{https://doi.org/10.48550/arxiv.2203.12720, doi = {10.48550/ARXIV.2203.12720}, url = {https://arxiv.org/abs/2203.12720}, author = {McCarter, Calvin}, title = {Towards Backwards-Compatible Data with Confounded Domain Adaptation}, publisher = {arXiv}, year = {2022}, } ``` ## Installation ### Installation from pip You can install the toolbox through PyPI with: ```console pip install condo ``` ### Installation from source After cloning this repo, install the dependencies on the command-line via: ```console pip install -r requirements.txt ``` In this directory, run ```console pip install -e . ``` ## Usage Import ConDo and create the adapter: ```python import condo condoer = condo.ConDoAdapter() ``` Try using it: ```python import numpy as np X_T = np.sort(np.random.uniform(0, 8, size=(100, 1))) X_S = np.sort(np.random.uniform(4, 8, size=(100, 1))) Y_T = np.random.normal(4 * X_T + 1, 1 * X_T + 1) Y_Strue = np.random.normal(4 * X_S + 1, 1 * X_S + 1) Y_S = 5 * Y_Strue + 2 condoer.fit(Y_S, Y_T, X_S, X_T) Y_S2T = condoer.transform(Y_S) print(f"before ConDo: {np.mean((Y_S - Y_Strue) ** 2):.3f}") print(f"after ConDo: {np.mean((Y_S2T - Y_Strue) ** 2):.3f}") ``` More thorough examples are provided in the examples directory. ## Development ### Testing In this directory run ```console pytest ``` ### Code formatting The Uncompromising Code Formatter: [Black](https://github.com/psf/black) ```black {source_file_or_directory}``` Install it into pre-commit hook to always commit well-formatted code: ```pre-commit install``` ## License Information This work is licensed under a [Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License][cc-by-nc-sa]. [![CC BY-NC-SA 4.0][cc-by-nc-sa-image]][cc-by-nc-sa] [cc-by-nc-sa]: http://creativecommons.org/licenses/by-nc-sa/4.0/ [cc-by-nc-sa-image]: https://licensebuttons.net/l/by-nc-sa/4.0/88x31.png [cc-by-nc-sa-shield]: https://img.shields.io/badge/License-CC%20BY--NC--SA%204.0-lightgrey.svg

نیازمندی

مقدار	نام
-	numpy
-	pandas
-	scipy
-	scikit-learn
>=1.4.0	torch
-	torchmin

زبان مورد نیاز

مقدار	نام
>=3.8	Python

نحوه نصب

نصب پکیج whl condo-0.4.0:

pip install condo-0.4.0.whl

نصب پکیج tar.gz condo-0.4.0:

pip install condo-0.4.0.tar.gz