معرفی شرکت ها
dnn-inference-0.9
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 بیشترتوضیحات
Dnn-Inference is a Python module for hypothesis testing based on deep neural networks.
| ویژگی | مقدار |
|---|---|
| سیستم عامل | - |
| نام فایل | dnn-inference-0.9 |
| نام | dnn-inference |
| نسخه کتابخانه | 0.9 |
| نگهدارنده | [] |
| ایمیل نگهدارنده | [] |
| نویسنده | Ben Dai |
| ایمیل نویسنده | bendai@cuhk.edu.hk |
| آدرس صفحه اصلی | https://github.com/statmlben/dnn-inference |
| آدرس اینترنتی | https://pypi.org/project/dnn-inference/ |
| مجوز | MIT |
.. dnn-inference documentation master file
🔬 dnn-inf: significance tests of feature relevance for a black-box model
===============================================================================
.. -*- mode: rst -*-
|PyPi|_ |Keras|_ |MIT|_ |Python3|_ |tensorflow|_ |downloads|_ |downloads_month|_
.. |PyPi| image:: https://badge.fury.io/py/dnn-inference.svg
.. _PyPi: https://pypi.org/project/dnn-inference/
.. |Keras| image:: https://img.shields.io/badge/keras-tf.keras-red.svg
.. _Keras: https://keras.io/
.. |MIT| image:: https://img.shields.io/pypi/l/dnn-inference.svg
.. _MIT: https://opensource.org/licenses/MIT
.. |Python3| image:: https://img.shields.io/badge/python-3-green.svg
.. _Python3: www.python.org
.. |tensorflow| image:: https://img.shields.io/badge/keras-tensorflow-blue.svg
.. _tensorflow: https://www.tensorflow.org/
.. |downloads| image:: https://pepy.tech/badge/dnn-inference
.. _downloads: https://pepy.tech/project/dnn-inference
.. |downloads_month| image:: https://pepy.tech/badge/dnn-inference/month
.. _downloads_month: https://pepy.tech/project/dnn-inference
.. image:: ./logo/logo_header.png
:width: 900
**dnn-inference** is a Python module for hypothesis testing based on black-box models, including **deep neural networks**.
- GitHub repo: `https://github.com/statmlben/dnn-inference <https://github.com/statmlben/dnn-inference>`_
- Documentation: `https://dnn-inference.readthedocs.io <https://dnn-inference.readthedocs.io/en/latest/>`_
- PyPi: `https://pypi.org/project/dnn-inference <https://pypi.org/project/nonlinear-causal>`_
- Open Source: `MIT license <https://opensource.org/licenses/MIT>`_
- Paper: `arXiv:2103.04985 <https://arxiv.org/abs/2103.04985>`_
.. 🎯 What We Can Do
.. -----------------
.. .. image:: ./logo/demo_result.png
.. :width: 600
.. **dnn-inference** is able to provide an asymptotically valid `p-value` to examine if :math:`\mathcal{S}` is discriminative features to predict :math:`Y`.
.. Specifically, the proposed testing is:
.. H_0: R(f^*) - R_{\mathcal{S}}(g^*) = 0, \quad \text{versus} \quad H_a: R(f^*) - R_{\mathcal{S}}(g^*) < 0,
.. where :math:`\mathcal{S}` is a collection of hypothesized features,
.. :math:`R` and :math:`R_{\mathcal{S}}` are risk functions with/without the hypothesized features :math:`\mathbf{X}_{\mathcal{S}}`,
.. and :math:`f^*` and :math:`g^*` are population minimizers on :math:`R` and :math:`R_{\mathcal{S}}` respectively.
.. The proposed test just considers the difference between the best predictive scores with/without hypothesized features.
.. Please check more details in our paper `arXiv:2103.04985 <https://arxiv.org/abs/2103.04985>`_.
.. - When `log-likelihood` is used as a loss function, then the test is equivalent to a conditional independence test: :math:`Y \perp X_{\mathcal{S}} | X_{\mathcal{S}^c}`.
.. - Only `a small number of fitting` on neural networks is required, and the number can be as small as 1.
.. - Asymptotically Type I error control and power consistency.
Installation
============
Dependencies
------------
``dnn-inference`` requires: **Python>=3.8** + `requirements.txt <./requirements.txt>`_
.. code:: bash
pip install -r requirements.txt
User installation
-----------------
Install ``dnn-inference`` using ``pip``
.. code:: bash
pip install dnn_inference
pip install git+https://github.com/statmlben/dnn-inference.git
Reference
---------
**If you use this code please star the repository and cite the following paper:**
.. code:: bib
@misc{dai2021significance,
title={Significance tests of feature relevance for a blackbox learner},
author={Ben Dai and Xiaotong Shen and Wei Pan},
year={2021},
eprint={2103.04985},
archivePrefix={arXiv},
primaryClass={stat.ML}
}
Notebook
========
- **MNIST dataset**: `Notebook1 <https://dnn-inference.readthedocs.io/en/latest/nb/MNIST_demo.html>`_
- **Boston house prices dataset**: `Notebook2 <https://dnn-inference.readthedocs.io/en/latest/nb/Boston_house_prices.html>`_
نحوه نصب
نصب پکیج whl dnn-inference-0.9:
pip install dnn-inference-0.9.whl
نصب پکیج tar.gz dnn-inference-0.9:
pip install dnn-inference-0.9.tar.gz