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

Implements Double Debias Estimator

ویژگی	مقدار
سیستم عامل	-
نام فایل	double-debias-0.0.5
نام	double-debias
نسخه کتابخانه	0.0.5
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Joe Saia
ایمیل نویسنده	joe5saia@gmail.com
آدرس صفحه اصلی	https://github.com/joe5saia/double_debias
آدرس اینترنتی	https://pypi.org/project/double-debias/
مجوز	-

# double_debias ![Basic Build](https://github.com/joe5saia/double_debias/workflows/Double_Debias/badge.svg) This package implements the double debiased estimator from ["Double/Debiased Machine Learning for Treatment and Structural Parameters"](https://economics.mit.edu/files/12538) by Chernozhukov et. al. # installation `pip install double_debias_joe5saia` # Usage This package estimates models of the form y = theta D + g(z) + e where z is a high dimensional object. ```python from sklearn.ensemble import GradientBoostingRegressor from sklearn.linear_model import LinearRegression dd = double_debias(y=np.array([i for i in range(0,10)]), D= np.array([i//2 for i in range(0,10)]), p.array([[i**2 for i in range(0,10)], [i**3 for i in range(0,10)]]).transpose(), y_method= GradientBoostingRegressor(n_estimators=1000), D_method= LinearRegression(), n_folds=3) dd.est_theta() ``` The user initializes the estimator object with the data for y, D, and z along with the method for estimating y ~ g(z) + e and D ~ f(z) + e. The `y_method` and `D_method` can be any model from the sklearn library that implements the fit and predict methods. The user may also supply their own class that implements these methods. This class does no parameter tuning or cross validation. Parameter tuning is left up to the user. # Custom Estimator Methods The user may supply their own estimators if these are not available in sklearn. This module assumes that the class passed has the fit and predict methods, i.e. the following code must work ```python z = np.array([[i**2 for i in range(0,10)], [i**3 for i in range(0,10)]]).transpose() y = np.array([i for i in range(0,10)]) m = my_estimator() m.fit(z, y) m.predict(z) ```

نیازمندی

مقدار	نام
-	numpy
-	sklearn

زبان مورد نیاز

مقدار	نام
>=3.6	Python

نحوه نصب

نصب پکیج whl double-debias-0.0.5:

pip install double-debias-0.0.5.whl

نصب پکیج tar.gz double-debias-0.0.5:

pip install double-debias-0.0.5.tar.gz