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

statistical causality discovery based on cyclic model

ویژگی	مقدار
سیستم عامل	-
نام فایل	cyclicmodel-0.0.4
نام	cyclicmodel
نسخه کتابخانه	0.0.4
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Akimitsu INOUE
ایمیل نویسنده	akimitsu.inoue@gmail.com
آدرس صفحه اصلی	https://github.com/inoueakimitsu/cyclicmodel
آدرس اینترنتی	https://pypi.org/project/cyclicmodel/
مجوز	-

# cyclicmodel Statistical causal discovery based on cyclic model. This project is under development. ## Summary Python package that performs statistical causal discovery under the following condition: 1. there are unobserved common factors 2. two-way causal relationship exists `cyclicmodel` has been developed based on [`bmlingam`][4670f282], which implemented bayesian mixed LiNGAM. [4670f282]: https://github.com/taku-y/bmlingam "bmlingam" ## Example ```Python import numpy as np import pymc3 as pm import cyclicmodel as cym # Generate synthetic data, # which assumes causal relation from x1 to x2 n = 200 x1 = np.random.randn(n) x2 = x1 + np.random.uniform(low=-0.5, high=0.5, size=n) xs = np.vstack([x1, x2]).T # Model settings hyper_params = cym.define_model.CyclicModelParams( dist_std_noise='log_normal', df_indvdl=8.0, dist_l_cov_21='uniform, -0.9, 0.9', dist_scale_indvdl='uniform, 0.1, 1.0', dist_beta_noise='uniform, 0.5, 6.0') # Generate PyMC3 model model = cym.define_model.get_pm3_model(xs, hyper_params, verbose=10) # Run variational inference with PyMC3 with model: fit = pm.FullRankADVI().fit(n=100000) trace = fit.sample(1000, include_transformed=True) # Check the posterior mean of the coefficients print(np.mean(trace['b_21'])) # from x1 to x2 print(np.mean(trace['b_12'])) # from x2 to x1 ``` ## Installation ```bash pip install cyclicmodel ``` ## References - [LiNGAM - Discovery of non-gaussian linear causal models](https://sites.google.com/site/sshimizu06/lingam) - [Shimizu, S., & Bollen, K. (2014). Bayesian estimation of causal direction in acyclic structural equation models with individual-specific confounder variables and non-Gaussian distributions. Journal of Machine Learning Research, 15(1), 2629-2652.](http://jmlr.org/papers/volume15/shimizu14a/shimizu14a.pdf)

نیازمندی

مقدار	نام
-	theano
-	numpy
-	pymc3

نحوه نصب

نصب پکیج whl cyclicmodel-0.0.4:

pip install cyclicmodel-0.0.4.whl

نصب پکیج tar.gz cyclicmodel-0.0.4:

pip install cyclicmodel-0.0.4.tar.gz