معرفی شرکت ها

fastemc-0.0.6

Card image cap
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
Card image cap
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
Card image cap
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
Card image cap
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
Card image cap
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
0.0.6
0.0.5
0.0.4
0.0.3
0.0.2
0.0.1
0.0.6
0.0.5
0.0.4
0.0.3
0.0.2
0.0.1

توضیحات

FastEMC is a method for dimensionality reduction.
ویژگی مقدار
سیستم عامل -
نام فایل fastemc-0.0.6
نام fastemc
نسخه کتابخانه 0.0.6
نگهدارنده []
ایمیل نگهدارنده []
نویسنده James Rowland
ایمیل نویسنده rowland.208@gmail.com
آدرس صفحه اصلی https://github.com/rowland-208/fastemc
آدرس اینترنتی https://pypi.org/project/fastemc/
مجوز -
# FastEMC ### Fast Exponential Monte Carlo FastEMC is a method for dimensionality reduction. FastEMC was designed for datasets with a small number of samples, and a large number of features. This version of FastEMC can only handle numerical features, and binary classification of samples. FastEMC can be installed using pip ``` $ pip install fastemc ``` If pip fails on windows try installing scikit-learn manually using conda, then install fastemc using pip. You can interact with FastEMC directly using the python module ``` >>> import fastemc >>> scores, clusters = fastemc.run(features, labels, **kwargs) ``` or through the command line ``` $ python -m fastemc --features features.csv --labels labels.csv ``` The features.csv and labels.csv files can be generated using pandas, e.g., ``` >>> labels.to_csv("labels.csv") >>> features.to_csv("features.csv") ``` where labels and features are pandas dataframes with the same index. FastEMC outputs a list of feature clusters. The size of each cluster and the number of clusters to collect are optional parameters. Each cluster is also given a score. The score is based on k-fold cross-validation of a logistic regression classifier using only features in the cluster. When using FastEMC in published works, please cite the original manuscript and the author of the software: [1] Stackhouse, C.T.; Rowland, J.R.; Shevin, R.S.; Singh, R.; Gillespie, G.Y.; Willey, C.D. A Novel Assay for Profiling GBM Cancer Model Heterogeneity and Drug Screening. Cells 2019, 8, 702. (https://www.ncbi.nlm.nih.gov/pubmed/31336733) [2] Rowland, J.R. FastEMC. 2019. (https://github.com/rowland-208/fastemc)


نیازمندی

مقدار نام
- numpy
- pandas
- scikit-learn
- tqdm


زبان مورد نیاز

مقدار نام
>=2.7 Python


نحوه نصب


نصب پکیج whl fastemc-0.0.6:

    pip install fastemc-0.0.6.whl


نصب پکیج tar.gz fastemc-0.0.6:

    pip install fastemc-0.0.6.tar.gz