論文の概要: Scikit-dimension: a Python package for intrinsic dimension estimation

• arxiv url: http://arxiv.org/abs/2109.02596v1
• Date: Mon, 6 Sep 2021 16:46:38 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-07 17:45:48.097143
• Title: Scikit-dimension: a Python package for intrinsic dimension estimation
• Title（参考訳）: Scikit-dimension: 固有次元推定のためのPythonパッケージ
• Authors: Jonathan Bac, Evgeny M. Mirkes, Alexander N. Gorban, Ivan Tyukin and Andrei Zinovyev
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 58.8599521537
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dealing with uncertainty in applications of machine learning to real-life data critically depends on the knowledge of intrinsic dimensionality (ID). A number of methods have been suggested for the purpose of estimating ID, but no standard package to easily apply them one by one or all at once has been implemented in Python. This technical note introduces \texttt{scikit-dimension}, an open-source Python package for intrinsic dimension estimation. \texttt{scikit-dimension} package provides a uniform implementation of most of the known ID estimators based on scikit-learn application programming interface to evaluate global and local intrinsic dimension, as well as generators of synthetic toy and benchmark datasets widespread in the literature. The package is developed with tools assessing the code quality, coverage, unit testing and continuous integration. We briefly describe the package and demonstrate its use in a large-scale (more than 500 datasets) benchmarking of methods for ID estimation in real-life and synthetic data. The source code is available from https://github.com/j-bac/scikit-dimension , the documentation is available from https://scikit-dimension.readthedocs.io .
• Abstract（参考訳）: 機械学習の実際のデータへの適用における不確実性への対処は、本質的な次元性(ID)の知識に依存する。 IDを推定するためにいくつかのメソッドが提案されているが、それらを1つずつ簡単に適用するための標準パッケージはPythonで実装されていない。 この技術ノートは、内在的な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 \texttt{scikit-dimension} を紹介している。 \texttt{scikit-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フェースに基づく既知の ID 推定器の大部分を均一に実装し、グローバルおよびローカル固有の次元を評価する。 このパッケージは、コード品質、カバレッジ、ユニットテスト、継続的インテグレーションを評価するツールで開発されている。 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)ベンチマークで使用を実証する。 ソースコードはhttps://github.com/j-bac/scikit-dimension から入手できる。

関連論文リスト

• RobPy: a Python Package for Robust Statistical Methods [1.2233362977312945]
  RobPyはPythonで幅広い堅牢なメソッドを提供し、NumPy、SciPy、Scikit-learnといった既存のライブラリ上に構築されている。 本稿では、RobPyパッケージの構造を示し、実例を通してその機能を実証し、その機能を他の統計ソフトウェアにおける既存の実装と比較する。
  論文  参考訳（メタデータ） (2024-11-04T10:27:30Z)
• eipy: An Open-Source Python Package for Multi-modal Data Integration using Heterogeneous Ensembles [3.465746303617158]
  eipyはオープンソースのPythonパッケージで、分類のための効果的なマルチモーダルなヘテロジニアスアンサンブルを開発する。 データ統合と予測モデリングメソッドの比較と選択のための厳格でユーザフレンドリなフレームワークを提供する。
  論文  参考訳（メタデータ） (2024-01-17T20:07:47Z)
• 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)
• DADApy: Distance-based Analysis of DAta-manifolds in Python [51.37841707191944]
  DADApyは、高次元データの分析と特徴付けのためのピソンソフトウェアパッケージである。 固有次元と確率密度を推定し、密度に基づくクラスタリングを行い、異なる距離メトリクスを比較する方法を提供する。
  論文  参考訳（メタデータ） (2022-05-04T08:41:59Z)
• MISeval: a Metric Library for Medical Image Segmentation Evaluation [1.4680035572775534]
  Pythonには標準化され再現可能な評価のための普遍的なメートル法ライブラリがない。 医用画像評価のためのメトリクスライブラリMISevalを提案する。
  論文  参考訳（メタデータ） (2022-01-23T23:06:47Z)
• QuaPy: A Python-Based Framework for Quantification [76.22817970624875]
  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。
  論文  参考訳（メタデータ） (2021-06-18T13:57:11Z)
• PyHealth: A Python Library for Health Predictive Models [53.848478115284195]
  PyHealthは、医療データ上で様々な予測モデルを開発するためのオープンソースのPythonツールボックスである。 データ前処理モジュールにより、複雑なヘルスケアデータセットを機械学習フレンドリーなフォーマットに変換できます。 予測モデリングモジュールは、確立されたアンサンブルツリーとディープニューラルネットワークベースのアプローチを含む30以上の機械学習モデルを提供します。
  論文  参考訳（メタデータ） (2021-01-11T22:02:08Z)
• SacreROUGE: An Open-Source Library for Using and Developing Summarization Evaluation Metrics [74.28810048824519]
  SacreROUGEは、要約評価メトリクスの使用と開発のためのオープンソースライブラリである。 このライブラリは、既存の評価メトリクスの公式実装に関するPythonラッパーを提供する。 ライブラリに実装されたメトリックが、人間による注釈付き判断とどの程度の相関があるかを評価する機能を提供する。
  論文  参考訳（メタデータ） (2020-07-10T13:26:37Z)
• OPFython: A Python-Inspired Optimum-Path Forest Classifier [68.8204255655161]
  本稿では,OPFythonと表記されるPythonベースのOptimum-Path Forestフレームワークを提案する。 OPFythonはPythonベースのライブラリなので、C言語よりもフレンドリーな環境とプロトタイピングの作業スペースを提供する。
  論文  参考訳（メタデータ） (2020-01-28T15:46:19Z)

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。