معرفی شرکت ها

diproperm-0.0.3

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
0.0.3
0.0.1
0.0.3
0.0.2
0.0.1

توضیحات

DiProPerm for high dimensional hypothesis testing.
ویژگی مقدار
سیستم عامل -
نام فایل diproperm-0.0.3
نام diproperm
نسخه کتابخانه 0.0.3
نگهدارنده []
ایمیل نگهدارنده []
نویسنده Iain Carmichael
ایمیل نویسنده idc9@cornell.edu
آدرس صفحه اصلی https://github.com/idc9/diproperm
آدرس اینترنتی https://pypi.org/project/diproperm/
مجوز MIT
DiProPerm ---- **author**: `Iain Carmichael`_ Additional documentation, examples and code revisions are coming soon. For questions, issues or feature requests please reach out to Iain: iain@unc.edu. Overview ======== This package implements Direction-Projection-Permutation for High Dimensional Hypothesis Tests (DiPoPerm). For details see Wei et al, 2016 (`paper link`_, `arxiv link`_). DiProPerm "rigorously assesses whether a binary linear classifier is detecting statistically significant differences between two high-dimensional distributions." Wei, S., Lee, C., Wichers, L., & Marron, J. S. (2016). Direction-projection-permutation for high-dimensional hypothesis tests. Journal of Computational and Graphical Statistics, 25(2), 549-569. Installation ============ The diproperm package can be installed via pip or github. This package is currently only tested in python 3.6. :: pip install diproperm :: git clone https://github.com/idc9/diproperm.git python setup.py install Example ======= .. code:: python from sklearn.datasets import make_blobs import numpy as np import matplotlib.pyplot as plt # %matplotlib inline from diproperm.DiProPerm import DiProPerm # toy binary class dataset (two isotropic Gaussians) X, y = make_blobs(n_samples=100, n_features=2, centers=2, cluster_std=2) # DiProPerm with mean difference classifier, mean difference summary # statistic, and 1000 permutation samples. dpp = DiProPerm(B=1000, stat='md', clf='md') dpp.fit(X, y) dpp.test_stats_['md'] .. code:: python {'Z': 11.704865481794599, 'cutoff_val': 1.2678333596648679, 'obs': 4.542253375623943, 'pval': 0.0, 'rejected': True} .. code:: python dpp.hist('md') .. image:: doc/figures/dpp_hist.png For more example code see `these example notebooks`_. Help and Support ================ Additional documentation, examples and code revisions are coming soon. For questions, issues or feature requests please reach out to Iain: iain@unc.edu. Documentation ^^^^^^^^^^^^^ The source code is located on github: https://github.com/idc9/diproperm Testing ^^^^^^^ Testing is done using `nose`. Contributing ^^^^^^^^^^^^ We welcome contributions to make this a stronger package: data examples, bug fixes, spelling errors, new features, etc. .. _Iain Carmichael: https://idc9.github.io/ .. _paper link: https://www.tandfonline.com/doi/abs/10.1080/10618600.2015.1027773 .. _arxiv link: https://arxiv.org/pdf/1304.0796.pdf .. _these example notebooks: https://github.com/idc9/diproperm/tree/master/doc


نیازمندی

مقدار نام
- numpy
- scipy
- seaborn
- matplotlib
- sklearn


زبان مورد نیاز

مقدار نام
>=3.6.0 Python


نحوه نصب


نصب پکیج whl diproperm-0.0.3:

    pip install diproperm-0.0.3.whl


نصب پکیج tar.gz diproperm-0.0.3:

    pip install diproperm-0.0.3.tar.gz