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

Principal Component Analysis via eigen-decomposition of the covariance/correlation matrix

ویژگی	مقدار
سیستم عامل	-
نام فایل	eigpca-0.1.0
نام	eigpca
نسخه کتابخانه	0.1.0
نگهدارنده	['Sercan Dogan']
ایمیل نگهدارنده	['sercandogan@yandex.com']
نویسنده	Sercan Dogan
ایمیل نویسنده	sercandogan@yandex.com
آدرس صفحه اصلی	https://github.com/sercandogan/eigpca/
آدرس اینترنتی	https://pypi.org/project/eigpca/
مجوز	MIT

# eigpca PCA via eigen-decomposition of the covariance/correlation matrix. # Install ```bash pip install eigpca ``` # Example ```python from eigpca import PCA from sklearn.datasets import load_iris X = load_iris().data pca = PCA() pca.fit(X) pca.transform(X, n_components=2) ``` ### Scree Plot ```python pca.plot(y="pov") ``` ![Scree plot](examples/scree_plot_iris.png)

نیازمندی

مقدار	نام
>=1.18.2,<2.0.0	numpy
>=3.2.1,<4.0.0	matplotlib

زبان مورد نیاز

مقدار	نام
>=3.7,<4.0	Python

نحوه نصب

نصب پکیج whl eigpca-0.1.0:

pip install eigpca-0.1.0.whl

نصب پکیج tar.gz eigpca-0.1.0:

pip install eigpca-0.1.0.tar.gz