論文の概要: QuaPy: A Python-Based Framework for Quantification

• arxiv url: http://arxiv.org/abs/2106.11057v1
• Date: Fri, 18 Jun 2021 13:57:11 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-25 09:30:28.382654
• Title: QuaPy: A Python-Based Framework for Quantification
• Title（参考訳）: QuaPy: 定量化のためのPythonベースのフレームワーク
• Authors: Alejandro Moreo, Andrea Esuli, Fabrizio Sebastiani
• Abstract要約: QuaPyは、定量化を行うためのオープンソースのフレームワークである(例えば、教師付き精度推定)。 Pythonで書かれており、pip経由でインストールできる。
• 参考スコア（独自算出の注目度）: 76.22817970624875
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: QuaPy is an open-source framework for performing quantification (a.k.a. supervised prevalence estimation), written in Python. Quantification is the task of training quantifiers via supervised learning, where a quantifier is a predictor that estimates the relative frequencies (a.k.a. prevalence values) of the classes of interest in a sample of unlabelled data. While quantification can be trivially performed by applying a standard classifier to each unlabelled data item and counting how many data items have been assigned to each class, it has been shown that this "classify and count" method is outperformed by methods specifically designed for quantification. QuaPy provides implementations of a number of baseline methods and advanced quantification methods, of routines for quantification-oriented model selection, of several broadly accepted evaluation measures, and of robust evaluation protocols routinely used in the field. QuaPy also makes available datasets commonly used for testing quantifiers, and offers visualization tools for facilitating the analysis and interpretation of the results. The software is open-source and publicly available under a BSD-3 licence via https://github.com/HLT-ISTI/QuaPy, and can be installed via pip (https://pypi.org/project/QuaPy/)
• Abstract（参考訳）: QuaPyは量子化を行うためのオープンソースのフレームワークである。 structed prevalence Estimation)はPythonで記述されている。 量子化は教師付き学習を通じて量子化器を訓練するタスクであり、量子化器は相対周波数を推定する予測器である。 流行度値) ラベルのないデータのサンプルに対する関心のクラス。 各クラスに割り当てられたデータ項目の数をカウントして、標準分類器を適用することで、定量化を自明に行うことができるが、この「分類とカウント」法は、量子化のために特別に設計された手法により性能が向上することが示されている。 QuaPyは、多くのベースライン手法と高度な定量化手法、定量化指向モデル選択のためのルーチン、広く受け入れられた評価尺度、そしてこの分野で日常的に使用される堅牢な評価プロトコルの実装を提供する。 QuaPyはまた、量子化器のテストに一般的に使用されるデータセットを提供し、結果の分析と解釈を容易にする可視化ツールを提供する。 このソフトウェアはオープンソースで、https://github.com/HLT-ISTI/QuaPyを介してBSD-3ライセンス下で公開されている。

関連論文リスト

• Query Performance Prediction using Relevance Judgments Generated by Large Language Models [53.97064615557883]
  自動生成関連判定(QPP-GenRE)を用いたQPPフレームワークを提案する。 QPP-GenREは、QPPを独立したサブタスクに分解し、ランクリスト内の各項目の関連性を所定のクエリに予測する。 これにより、生成した関連判断を擬似ラベルとして利用して、任意のIR評価尺度を予測することができる。
  論文  参考訳（メタデータ） (2024-04-01T09:33:05Z)
• PyPOTS: A Python Toolbox for Data Mining on Partially-Observed Time Series [0.0]
  PyPOTSは、部分的に保存された時系列のデータマイニングと分析に特化した、オープンソースのPythonライブラリである。 これは、計算、分類、クラスタリング、予測の4つのタスクに分類される多様なアルゴリズムに容易にアクセスできる。
  論文  参考訳（メタデータ） (2023-05-30T07:57:05Z)
• Revisiting Long-tailed Image Classification: Survey and Benchmarks with New Evaluation Metrics [88.39382177059747]
  メトリクスのコーパスは、長い尾の分布で学習するアルゴリズムの正確性、堅牢性、およびバウンダリを測定するために設計されている。 ベンチマークに基づいて,CIFAR10およびCIFAR100データセット上での既存手法の性能を再評価する。
  論文  参考訳（メタデータ） (2023-02-03T02:40:54Z)
• DeeProb-kit: a Python Library for Deep Probabilistic Modelling [0.0]
  DeeProb-kitはPythonで書かれた統一ライブラリで、DPM(Deep Probabilistic Model)のコレクションで構成されている。 効率的に実装された学習技術、推論ルーチン、統計アルゴリズム、高品質な完全ドキュメントAPIを提供する。
  論文  参考訳（メタデータ） (2022-12-08T17:02:16Z)
• Latte: Cross-framework Python Package for Evaluation of Latent-Based Generative Models [65.51757376525798]
  Latteは、潜伏型生成モデルを評価するためのPythonライブラリである。 LatteはPyTorchと/Kerasの両方と互換性があり、関数型APIとモジュール型APIの両方を提供する。
  論文  参考訳（メタデータ） (2021-12-20T16:00:28Z)
• Scikit-dimension: a Python package for intrinsic dimension estimation [58.8599521537]
  この技術ノートは、固有次元推定のためのオープンソースのPythonパッケージであるtextttscikit-dimensionを紹介している。 textttscikit-dimensionパッケージは、Scikit-learnアプリケーションプログラミングインターフェイスに基づいて、既知のID推定子のほとんどを均一に実装する。 パッケージを簡潔に記述し、実生活と合成データにおけるID推定手法の大規模(500以上のデータセット)ベンチマークでその使用を実証する。
  論文  参考訳（メタデータ） (2021-09-06T16:46:38Z)
• The Word is Mightier than the Label: Learning without Pointillistic Labels using Data Programming [11.536162323162099]
  ほとんどの高度な教師付き機械学習(ML)モデルは、大量のポイントバイポイントラベル付きトレーニング例に依存している。 大量のデータをハンドラベリングすることは、面倒で、高価で、エラーを起こしやすい。
  論文  参考訳（メタデータ） (2021-08-24T19:11:28Z)
• An Empirical Comparison of Instance Attribution Methods for NLP [62.63504976810927]
  本研究は,トレーニングサンプルの重要性に関して,異なるインスタンス属性が一致した度合いを評価する。 単純な検索メソッドは、グラデーションベースの方法によって識別されたものと異なるトレーニングインスタンスを生成する。
  論文  参考訳（メタデータ） (2021-04-09T01:03:17Z)
• Quantifying With Only Positive Training Data [0.5735035463793008]
  定量化 (quantification) は、ラベルなしサンプルにおいて各クラスに属するデータポイント数をカウントする方法を研究する研究分野である。 この記事では、ポジティブとアンラベルラーニング(PUL)とワンクラスの量子化(OCQ)のギャップを埋める。 提案手法であるパッシブ・アグレッシブ・スレッショルド(PAT)とPUL法を比較し,PATが一般に最も高速かつ高精度なアルゴリズムであることを示す。
  論文  参考訳（メタデータ） (2020-04-22T01:18:25Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。