caf_map的python实现:用于挖掘高维生物医学数据的上下文感知特征映射
cafemap的Python项目详细描述
caf_map的python实现:用于挖掘高维生物医学数据的上下文感知特征映射 如文[1]所述
作者:
Fayyaz Minhas博士(AFsar<;at>;pieas dot edu dot pk) 阿米娜·阿西夫(a.asif.shah01<;at>;gmail.com) 穆罕默德·阿里夫(syedmarif2003<;at>;雅虎网络) 下载自:http://faculty.pieas.edu.pk/fayyaz/software.html#cafemap或https://github.com/foxtrotmike/cafemap
此文件夹包含包“cafemap”和所有示例文件。
包的安装说明: 1。转到目录..../cafemap master/cafemap in command prompt 2.执行命令:pip install。 或 python setup.py安装
cafemap包包含以下模块:
py:根据本文提出的算法实现cafemap的类
instance.py:包含cafemap要使用的实例的定义
py:交叉验证方法的并行实现出现在这个文件中。
L.C.Py:该模块实现了近似的局部约束线性编码,如2010论文中所述。 作者:Wang等人[2]。给定数据数组x(n x d)和码本C(c x d)数组,它返回近似向量。 点y=g*c.llc通过强制给定数据点对应于码本的系数引入稀疏性 不是该点的k近邻的向量。LLC也使用正则化。
utils.py:包含实用函数,以便于编译结果
以下文件包含生成研究结果的代码:
results_table1.py生成[1]的表1所示的结果 l-shaped.py:生成[1]中图2所示的图 2x2checker.py:生成[1]中图3所示的图 toy_circle.py:生成[1]中图4所示的循环数据图。 py:生成[1]的图6所示的图 py:生成[1]的图8所示的聚类分析图
注:运行代码时,根据参数的选择,绘图可能与发布的不同。
py演示了cafemap包的使用。要使用并行版本的训练方法,joblib模块应该是 安装。所有参数都在注释中解释。
参考文献: [1]F.ul A.A.Minhas、A.Asif和M.Arif,“caf_-map:上下文感知特征映射 《挖掘高维生物医学数据》,生物与医学计算机,第79卷,第68-79页,2016年12月。
[2]王、金军、杨建超、俞凯、吕凤军、黄T、龚一红。 “图像分类的局部约束线性编码”,2010年ieee计算机视觉和 模式识别(CVPR),3360–672010年。doi:10.1109/cvpr.2010.5540018。
致谢:我们使用了由asa ben hur博士和mike hamilton博士实现的roc模块,如下所示: 理论和实践概念 福塞特,t.roc图:注释和实践考虑 对于数据挖掘研究人员来说。HPL-2003-42003年。