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

Density-sensitive Self-stabilization of Independent Gaussian Mixtures (DSIGM) Clustering

ویژگی	مقدار
سیستم عامل	-
نام فایل	dsigm-0.3.1
نام	dsigm
نسخه کتابخانه	0.3.1
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	paradoxysm
ایمیل نویسنده	paradoxysm.dev@gmail.com
آدرس صفحه اصلی	http://github.com/paradoxysm/dsigm
آدرس اینترنتی	https://pypi.org/project/dsigm/
مجوز	BSD-3-Clause

## DSIGM Clustering Algorithm [![Travis (.com)](https://img.shields.io/travis/com/paradoxysm/dsigm?style=flat-square)](https://travis-ci.com/paradoxysm/dsigm) [![Codecov](https://img.shields.io/codecov/c/gh/paradoxysm/dsigm?style=flat-square&token=5e48e76aa703404f901dea510983281a)](https://codecov.io/gh/paradoxysm/dsigm) [![GitHub](https://img.shields.io/github/license/paradoxysm/dsigm?color=blue&style=flat-square)](https://github.com/paradoxysm/dsigm/blob/master/LICENSE) ## Overview The Density-sensitive Self-stabilization of Independent Gaussian Mixtures (DSIGM) Clustering Algorithm is a novel algorithm that seeks to identify ideal clusters in data that allows for predictive classifications. DSIGM can be conceptualized as a two layer clustering algorithm. The base layer is a Self-stabilizing Gaussian Mixture Model (SGMM) that identifies the mixture components of the underlying distribution of data. This is followed by a top layer clustering algorithm that seeks to group these components into clusters in a density sensitive manner. The result is a clustering that allows for variable and irregularly shaped clusters that can sensibly categorize new data assumed to be part of the same distribution. More details regarding DSIGM can be found in the documentation [here](https://github.com/paradoxysm/dsigm/tree/0.3.1/doc). ## Installation ### Dependencies `dsigm` requires: ``` numpy scipy sklearn ``` `dsigm` is tested and supported on Python 3.4+ up to Python 3.7. Usage on other versions of Python is not guaranteed to work as intended. ### User Installation `dsigm` can be easily installed using ```pip``` ``` pip install dsigm ``` For more details on usage, see the documentation [here](https://github.com/paradoxysm/dsigm/tree/0.3.1/doc). ## Changelog See the [changelog](https://github.com/paradoxysm/dsigm/blob/0.3.1/CHANGES.md) for a history of notable changes to dsigm. ## Development [![Code Climate maintainability](https://img.shields.io/codeclimate/maintainability-percentage/paradoxysm/dsigm?style=flat-square)](https://codeclimate.com/github/paradoxysm/dsigm/maintainability) `dsigm` is still under development. As of `0.3.1`, only the Self-stabilizing Gaussian Mixture Model (SGMM) has been implemented. There are three main branches for development and release. [`master`](https://github.com/paradoxysm/dsigm) is the current development build; [`staging`](https://github.com/paradoxysm/dsigm/tree/staging) is the staging branch for releases; [`release`](https://github.com/paradoxysm/dsigm/tree/release) is the current public release build. ## Help and Support ### Documentation Documentation for `dsigm` can be found [here](https://github.com/paradoxysm/dsigm/tree/0.3.1/doc). ### Issues and Questions Issues and Questions should be posed to the issue tracker [here](https://github.com/paradoxysm/dsigm/issues).

نیازمندی

مقدار	نام
-	scipy
-	sklearn
-	numpy
-	pytest
-	coverage
-	pytest-cov

زبان مورد نیاز

مقدار	نام
>=3.4, <4	Python

نحوه نصب

نصب پکیج whl dsigm-0.3.1:

pip install dsigm-0.3.1.whl

نصب پکیج tar.gz dsigm-0.3.1:

pip install dsigm-0.3.1.tar.gz