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

Package with the PCA, SVD and t-SNE methods for dimensionality reduction. It also contains the clustering algorithms K-Means and K-Medoids.

ویژگی	مقدار
سیستم عامل	-
نام فایل	dimensionality-reductions-jmsv-0.2.0
نام	dimensionality-reductions-jmsv
نسخه کتابخانه	0.2.0
نگهدارنده	['Send_Mail']
ایمیل نگهدارنده	['mauricio@gmail.com']
نویسنده	Mauricio Sierra
ایمیل نویسنده	-
آدرس صفحه اصلی	https://pypi.org/project/dimensionality_reductions_jmsv/#history
آدرس اینترنتی	https://pypi.org/project/dimensionality-reductions-jmsv/
مجوز	MIT

[![PyPI Version](https://img.shields.io/pypi/v/dimensionality_reductions_jmsv)](https://pypi.org/project/dimensionality_reductions_jmsv/) [![Package Status](https://img.shields.io/pypi/status/dimensionality_reductions_jmsv)](https://pypi.org/project/dimensionality_reductions_jmsv/) ![Python Versions](https://img.shields.io/pypi/pyversions/dimensionality_reductions_jmsv) [![License](https://img.shields.io/pypi/l/dimensionality_reductions_jmsv)](https://mit-license.org/) ### What is it? **dimensionality_reductions_jmsv** is a Python package that provides three methods (PCA, SVD, t-SNE) to apply dimensionality reduction to any dataset. Aslo provides two methods (KMeans y KMedoids) to clustering. ### Installing the package 1. Requests is available on PyPI: ```bash pip install dimensionality_reductions_jmsv ``` 2. Try your first **_dimensionality reduction with PCA_** ```python from dimensionality_reductions_jmsv.decomposition import PCA import numpy as np X = (np.random.rand(10, 10) * 10).astype(int) pca = PCA(n_components=2) X_pca = pca.fit_transform(X) print("Original Matrix:", '\n', X, '\n') print("Apply dimensionality reduction with PCA to Original Matrix:", '\n', X_pca) ``` 3. Try your first **_KMeans cluster_** ```python from dimensionality_reductions_jmsv.cluster import KMeans from sklearn.datasets import make_blobs import matplotlib.pyplot as plt X, y = make_blobs(n_samples=500, n_features=2, centers=4, cluster_std=1, center_box=(-10.0, 10.0), shuffle=True, random_state=1, ) k = KMeans(n_clusters=4, init_method='kmeans++', random_state=32, n_init=10) m = k.fit_transform(X) plt.scatter(X[:, 0], X[:, 1], c=k._assign_clusters(X)) plt.title('Cluster KMeans') plt.show(); ```

نیازمندی

مقدار	نام
>=1.24.2,<2.0.0	numpy

زبان مورد نیاز

مقدار	نام
>=3.10,<4.0	Python

نحوه نصب

نصب پکیج whl dimensionality-reductions-jmsv-0.2.0:

pip install dimensionality-reductions-jmsv-0.2.0.whl

نصب پکیج tar.gz dimensionality-reductions-jmsv-0.2.0:

pip install dimensionality-reductions-jmsv-0.2.0.tar.gz