人工神经网络驱动的三维数据可视化。
ivis的Python项目详细描述
IVIS
文中所述ivis算法的实现Structure-preserving visualisation of high dimensional single-cell datasets。ivis的目的是使用一个基于三元组训练的连体神经网络来降低非常大数据集的维数。支持无监督和有监督两种模式。
安装
从pypi安装最新的ivis版本:
pip install ivis
或者,您可以从github安装开发版本:
git clone https://github.com/beringresearch/ivis
cd ivis
pip install -r requirements.txt --editable .
如果在训练ivis模型时使用可视化回调,则需要以下可选依赖项:
- matplotlib
- 肖伯恩
升级
ivis python包经常更新!要升级,请运行:
pip install ivis --upgrade
功能
- scalable:ivis速度快,易于扩展到数百万个观察点和数千个功能。
- versatile:支持现成的numpy数组、稀疏矩阵和hdf5文件,使ivis易于应用于异构问题,包括集群和异常检测。
- 精确:ivis在保留数据集的本地和全局特性方面都很出色。通常,ivis在保存数据的全局结构方面比t-sne表现得更好,这使得可视化和解释高维数据集变得更容易。
- generaliable:ivis支持通过
transform
方法向原始嵌入添加新的数据点,使ivis很容易合并到标准sklearn管道中。
还有更多!请参阅ivis readme以获取最新的添加和示例。
示例
from ivis import Ivis
from sklearn.preprocessing import MinMaxScaler
from sklearn import datasets
iris = datasets.load_iris()
X = iris.data
X_scaled = MinMaxScaler().fit_transform(X)
model = Ivis(embedding_dims=2, k=15)
embeddings = model.fit_transform(X_scaled)
IVIS宇宙
ivis可用于各种实际应用中。ivis universe由扩展核心ivis功能的包组成。
- ivis-animate-可视化ivis学习过程。
- ivis-explain-解释哪些特性对ivis嵌入贡献最大。
版权所有2019白令有限公司