【文件属性】：
文件名称：skggm：通用图形模型的Scikit学习兼容估计
文件大小：2.78MB
文件格式：ZIP
更新时间：2021-02-05 16:12:37
machine-learning scikit-learn ensemble-learning graphical-models covariance-matrix
skggm：使用scikit-learn API的高斯图形模型
在过去的十年中，对条件独立性关系进行编码的学习网络已成为机器学习和统计中的重要问题。 对于许多重要的概率分布，例如多元高斯分布，这相当于逆协方差矩阵的估计。 逆协方差估计现在广泛用于细胞生物学的推断基因调控网络和神经科学中的神经相互作用。
但是，将这种模型拟合到数据的许多统计进展和最佳实践尚未得到广泛采用，并且在用于机器学习的通用python软件包中还不可用。 此外，逆协方差估计是研究的活跃领域，研究人员不断改进算法和估计量。 借助skggm我们寻求将这些新进展提供给更广泛的受众，并使研究人员能够在与其感兴趣的应用相关的体系中有
【文件预览】：
skggm-develop
----MANIFEST.in(88B)
----images()
--------S.png(6KB)
--------scalar_lambda.png(3KB)
--------weighted_ell_1.png(14KB)
--------X.png(6KB)
--------model_avg_support.png(98KB)
--------sklearn_skggm_compare.png(262KB)
--------estimator_suite_plots_page0_100x20.png(127KB)
--------Lambda.png(6KB)
--------graphlasso_program.png(21KB)
--------estimator_suite_scorecard_100x20.png(247KB)
--------theta_hat.png(3KB)
--------functional_connectivity_brain.png(415KB)
--------functional_connectivity_precision.png(86KB)
--------trace_plot.png(163KB)
--------skggm_workflow.png(878KB)
--------estimator_suite_scorecard_600x120.png(247KB)
--------lambda_diagonals.png(8KB)
--------penalty.png(15KB)
--------estimator_suite_plots_page1_100x20.png(118KB)
--------quicgraphlassocv_support.png(97KB)
--------sigma_hat.png(3KB)
--------scalar_penalty.png(9KB)
--------Theta.png(3KB)
----requirements.txt(147B)
----doc()
--------make.bat(7KB)
--------conf.py(10KB)
--------requirements.txt(41B)
--------index.rst(775B)
--------Makefile(7KB)
--------inverse_covariance.rst(298B)
--------api.rst(64B)
--------modules.rst(91B)
--------_static()
----examples()
--------estimator_suite_spark.py(15KB)
--------trace_plot_example.py(3KB)
--------profiling_example.py(2KB)
--------ABIDE_Example.ipynb(216KB)
--------plot_functional_brain_networks.py(3KB)
--------README.txt(199B)
--------data()
--------convergence_comparison.py(1KB)
--------estimator_suite.py(17KB)
----.travis.yml(685B)
----LICENSE(1KB)
----setup.cfg(39B)
----setup.py(2KB)
----README.md(14KB)
----inverse_covariance()
--------rank_correlation.py(5KB)
--------adaptive_graph_lasso.py(5KB)
--------pyquic()
--------quic_graph_lasso.py(32KB)
--------__init__.py(967B)
--------metrics.py(4KB)
--------model_average.py(15KB)
--------inverse_covariance.py(11KB)
--------tests()
--------plot_util.py(4KB)
--------profiling()
----.gitignore(1KB)
----dev-requirements.txt(34B)