معرفی شرکت ها

dare-rf-1.0.2

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
1.0.2
1.0.0
0.10.2
0.10.1
0.1.1
1.0.2
1.0.0
0.10.2
0.10.1
0.1.1

توضیحات

Data Removal-Enabled Random Forests
ویژگی مقدار
سیستم عامل -
نام فایل dare-rf-1.0.2
نام dare-rf
نسخه کتابخانه 1.0.2
نگهدارنده []
ایمیل نگهدارنده []
نویسنده Jonathan Brophy
ایمیل نویسنده jbrophy@cs.uoregon.edu
آدرس صفحه اصلی https://github.com/jjbrophy47/dare
آدرس اینترنتی https://pypi.org/project/dare-rf/
مجوز -
DaRE RF: Data Removal-Enabled Random Forests --- [![PyPi version](https://img.shields.io/pypi/v/dare-rf)](https://pypi.org/project/dare-rf/) [![Python version](https://img.shields.io/badge/python-3.7%20%7C%203.8%20%7C%203.9%20%7C%203.10-blue)](https://pypi.org/project/dare-rf/) [![Github License](https://img.shields.io/badge/License-Apache%202.0-blue.svg)](https://github.com/jjbrophy47/dare_rf/blob/master/LICENSE) [![Build](https://github.com/jjbrophy47/dare_rf/actions/workflows/wheels.yml/badge.svg?branch=v1.0.0)](https://github.com/jjbrophy47/dare_rf/actions/workflows/wheels.yml) **dare-rf** is a python library that implements *machine unlearning* for random forests, enabling the _efficient_ removal of training data without having to retrain from scratch. It is built using Cython and is designed to be scalable to large datasets. <p align="center"> <img align="center" src="images/thumbnail.png" alt="thumbnail", width="350"> </p> Installation --- ```sh pip install dare-rf ``` Usage --- Simple example of removing a single training instance: ```python import dare import numpy as np # training data X_train = np.array([[0, 1], [0, 1], [0, 1], [1, 0], [1, 0]]) y_train = np.array([1, 1, 1, 0, 1]) X_test = np.array([[1, 0]]) # test instance # train a DaRE RF model rf = dare.Forest(n_estimators=100, max_depth=3, k=5, # no. thresholds to consider per attribute topd=0, # no. random node layers random_state=1) rf.fit(X_train, y_train) rf.predict_proba(X_test) # prediction before deletion => [0.5, 0.5] rf.delete(3) # delete training example at index 3 ([1, 0], 0) rf.predict_proba(X_test) # prediction after deletion => [0.0, 1.0] ``` License --- [Apache License 2.0](https://github.com/jjbrophy47/dare_rf/blob/master/LICENSE). Reference --- Brophy and Lowd. [Machine Unlearning for Random Forests](http://proceedings.mlr.press/v139/brophy21a.html). ICML 2021. ``` @inproceedings{brophy2021machine, title={Machine Unlearning for Random Forests}, author={Brophy, Jonathan and Lowd, Daniel}, booktitle={International Conference on Machine Learning}, pages={1092--1104}, year={2021}, organization={PMLR} } ```


نیازمندی

مقدار نام
>=1.22 numpy


زبان مورد نیاز

مقدار نام
>=3.7 Python


نحوه نصب


نصب پکیج whl dare-rf-1.0.2:

    pip install dare-rf-1.0.2.whl


نصب پکیج tar.gz dare-rf-1.0.2:

    pip install dare-rf-1.0.2.tar.gz