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

Deep direct likelihood knockoffs

ویژگی	مقدار
سیستم عامل	-
نام فایل	ddlk-0.0.0.2
نام	ddlk
نسخه کتابخانه	0.0.0.2
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Mukund Sudarshan
ایمیل نویسنده	ms7490+pip@nyu.edu
آدرس صفحه اصلی	https://github.com/rajesh-lab/ddlk
آدرس اینترنتی	https://pypi.org/project/ddlk/
مجوز	-

# DDLK: Deep direct likelihood knockoffs This package implements DDLK, a method for variable selection with explicit control of the false discovery rate. Install with: ``` pip install ddlk ``` ![](img/ddlk_train.gif) ## Controlled variable selection with DDLK Suppose you have a set of features and a response. DDLK identifies the features most predictive of the response at a pre-specified false discovery rate (FDR) threshold. For example, if you choose an FDR of 20%, DDLK can guarantee that no more than 20% of the selected features will be unimportant. To learn more about how it works, check out [our paper](https://arxiv.org/abs/2007.15835). ## Running DDLK Variable selection with DDLK involves three stages: 1. Fit a joint distribution to model features 2. Fit a knockoff generator 3. Sample knockoffs and apply [knockoff filter](https://arxiv.org/abs/1610.02351) to select variables at a pre-specified FDR To see a complete working example, check our [synthetic data example](examples/ddlk_synthetic_example_CPU.ipynb), used to generate the gif above. Below is an exceprt of how to run DDLK. ### Fitting a joint distribution This implementation of DDLK uses the fast and easy [PyTorch Lightning framework](https://github.com/PytorchLightning/pytorch-lightning) to fit `q_joint`: ```python # initialize data x, y = ... # put your data in standard PyTorch format trainloader = ... # initialize joint distribution model with mean and std of data ((X_mu, ), (X_sigma, )) = utils.get_two_moments(trainloader) hparams = argparse.Namespace(X_mu=X_mu, X_sigma=X_sigma) q_joint = mdn.MDNJoint(hparams) ``` ```python # create and fit a PyTorch Lightning trainer trainer = pl.Trainer() trainer.fit(q_joint, train_dataloader=trainloader) ``` ### Fitting a knockoff generator ```python # initialize and fit a DDLK knockoff generator q_knockoff = ddlk.DDLK(hparams, q_joint=q_joint) trainer = pl.Trainer() trainer.fit(q_knockoff, train_dataloader=trainloader) ``` ### Variable selection Using the knockoff generator, we sample knockoffs, and run a [Holdout Randomization Test](https://arxiv.org/abs/1811.00645): ```python xTr_tilde = q_knockoff.sample(xTr) knockoff_test = hrt.HRT_Knockoffs() knockoff_test.fit(xTr, yTr, xTr_tilde) ``` # Citing this code If you use this code, please cite the following paper ([available here](https://arxiv.org/abs/2007.15835)): ``` Deep Direct Likelihood Knockoffs M. Sudarshan, W. Tansey, R. Ranganath arXiv preprint arXiv:2007.15835 ``` Bibtex entry: ``` @misc{sudarshan2020deep, title={Deep Direct Likelihood Knockoffs}, author={Mukund Sudarshan and Wesley Tansey and Rajesh Ranganath}, year={2020}, eprint={2007.15835}, archivePrefix={arXiv}, primaryClass={stat.ML} } ```

نیازمندی

مقدار	نام
>=1.14.0	numpy
>=2.0.0	matplotlib
>=1.2.1	scipy
>=0.19.0	scikit-learn
>=4.0.1	tqdm
>=1.5.0	torch
>=0.6.0	torchvision
>=1.0.0	pytorch-lightning

زبان مورد نیاز

مقدار	نام
>=3.6	Python

نحوه نصب

نصب پکیج whl ddlk-0.0.0.2:

pip install ddlk-0.0.0.2.whl

نصب پکیج tar.gz ddlk-0.0.0.2:

pip install ddlk-0.0.0.2.tar.gz