معرفی شرکت ها
dnnr-0.1.2
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
Easy to use package of the DNNR regression.
| ویژگی | مقدار |
|---|---|
| سیستم عامل | - |
| نام فایل | dnnr-0.1.2 |
| نام | dnnr |
| نسخه کتابخانه | 0.1.2 |
| نگهدارنده | [] |
| ایمیل نگهدارنده | [] |
| نویسنده | Youssef Nadar |
| ایمیل نویسنده | youssef.nadar@fu-berlin.de |
| آدرس صفحه اصلی | https://github.com/younader/dnnr |
| آدرس اینترنتی | https://pypi.org/project/dnnr/ |
| مجوز | MIT |
# DNNR: Differential Nearest Neighbors Regression
[](https://github.com/younader/dnnr/actions/workflows/dev.yml)
[[Paper](https://proceedings.mlr.press/v162/nader22a.html)]
[[Documentation](https://younader.github.io/dnnr/)]
The Python package of [differential nearest neighbors regression (DNNR)](https://proceedings.mlr.press/v162/nader22a.html): **Raising KNN-regression to levels of gradient boosting methods.**
Whereas KNN regression only uses the averaged value, DNNR also uses the gradient or even higher-order derivatives:
Our implementation uses `numpy`, `sklearn`, and the [`annoy`](https://github.com/spotify/annoy) approximate nearest neighbor index. Using `annoy` is optional, as you can also use `sklearn`'s KDTree as index. We support Python 3.7 to 3.10.
# 🚀 Quickstart
To install this project, run:
```bash
pip install dnnr
```
# 🎉 Example
```python
import numpy as np
from dnnr import DNNR
X = np.array([[0], [1], [2], [3]])
y = np.array([0, 0, 1, 1])
model = DNNR(n_neighbors=1, n_derivative_neighbors=3)
model.fit(X, y)
model.predict([[1.5]])
# Will output: 0.25
```
Also check out our [Jupiter Notebook](./examples/dnnr_tutorial.ipynb) on how to use DNNR. [](https://colab.research.google.com/github/younader/dnnr/blob/main/examples/dnnr_tutorial.ipynb)
# 📊 Hyperparameters
DNNR has three main hyperparameters:
* `n_neighbors`: number of nearest neighbors to use. The default value of
`3` is usually a good choice.
* `n_derivative_neighbors`: number of neighbors used in approximating the
derivatives. As a default value, we choose `3 * dim`, where `dim` is
the input dimension.
* `order`: Taylor approximation order, one of `1`, `2`, `2diag`, `3diag`.
The preferable option here is `1`. Sometimes `2diag` can deliver
small improvements. `2` and `3diag` are implemented but usually do
not yield significant improvements.
We recommend a hyperparameter search over the `n_derivative_neighbors` variable to archive the best performance.
For all options, see the [documentation of the DNNR class](https://younader.github.io/dnnr/api/#dnnr.dnnr.DNNR).
# 🛠 Development Installation
```bash
python3 -m venv venv # create a virtual environment
source venv/bin/activate # and load it
git clone https://github.com/younader/dnnr.git
cd dnnr
pip install -U pip wheel poetry
poetry install
make test # to run the tests
```
# 📄 Citation
If you use this library for a scientific publication, please use the following BibTex entry to cite our work:
```bibtex
@InProceedings{pmlr-v162-nader22a,
title = {{DNNR}: Differential Nearest Neighbors Regression},
author = {Nader, Youssef and Sixt, Leon and Landgraf, Tim},
booktitle = {Proceedings of the 39th International Conference on Machine Learning},
pages = {16296--16317},
year = {2022},
editor = {Chaudhuri, Kamalika and Jegelka, Stefanie and Song, Le and Szepesvari, Csaba and Niu, Gang and Sabato, Sivan},
volume = {162},
series = {Proceedings of Machine Learning Research},
month = {17--23 Jul},
publisher = {PMLR},
pdf = {https://proceedings.mlr.press/v162/nader22a/nader22a.pdf},
url = {https://proceedings.mlr.press/v162/nader22a.html},
}
```
نیازمندی
| مقدار | نام |
|---|---|
| >=1.17.0,<2.0.0 | annoy |
| >=1.21.0,<2.0.0 | numpy |
| >=1.0.0,<2.0.0 | scikit-learn |
| >=1.7.0,<2.0.0 | scipy |
| >=4.64.0,<5.0.0 | tqdm |
زبان مورد نیاز
| مقدار | نام |
|---|---|
| >=3.7,<3.11 | Python |
نحوه نصب
نصب پکیج whl dnnr-0.1.2:
pip install dnnr-0.1.2.whl
نصب پکیج tar.gz dnnr-0.1.2:
pip install dnnr-0.1.2.tar.gz