微分协整分析的多信息估计器
midasML的Python项目详细描述
#midas
此存储库包含实现熵和互信息的各种估计器的python代码。
特别是，可以使用renyi multi information和tsallis multi information估计器。
quickstart
使用“pip”从python包索引安装“midas”，通过
``bash
pip安装midasml
```
您可以从github的github存储库中使用
```bash
$git clone https://github.com/sheffieldlml/midas
```
>
``bash
``bash
$python setup.py install
```
````
例如
>要测试‘midas`` midas`，您可以使用下面的示例。
>创建指定某些变量之间相关性的玩具数据集。
``python
从midas导入numpy作为np
。估计器从midas导入renyimutualinformationdiversity，midas
从midas.model评估导入置换测试评分组
从midas.utils导入样本生成
np.random.seed（30）
n个样本，n个dim=30，20
rho_s=[.95，.9，.8，0，0]
x，y，特征名称，组=样本生成。使组联合（n_samples，n_dim，rho_s=rho_s）
Estimator=renyimutualinformation散度（α=0.99，k=3，n_iter=20）
结果=置换检验组（midas（Estimator），x，y，组，n_jobs=-1）
````
前三组特征在一半的样本中相对于另一半有差异地共同调节，而其他特征组则没有（即，在两种情况下，它们的共同调节是相同的。）
因此，我们可以使用'midas'类，使用'renyimutualinformationdiversion'分析不同类别样本的共同调节。
`result'是一个'pandas.dataframe'，其中包含结果摘要，which is something like
| | score | perm_scores | p-value | group |
|-----| ------------- |:-------------:| -----:|:-----|
0 | 0.614204 | [0.119599699041, 0.17002017399, 0.000642361597...| 0.009901| [0, 1, 2, 3]
1 | 1.177062 |[0.00106705500132, 0.0115119749325, 0.00023392...| 0.009901 |[4, 5, 6, [0.0，0.0410519694311，0.0041796666412452，0.007…[0.029703，[8，9，10，11]<0.0 0.010378，[0.00187252539953604，0.00757194385644，0.0002593，[0.010378，[0.010378，[0.001010378，[0.010378，[0.010378，[0.01037378，[0.00187255353953604，0.001877194385644，0.0002593，[0.0002593，[0.445593，[0.0.0.44555，[12，13，14，14，15]
>4>0.0；[0.00307271647955，0.0，0.0129193052203，0.010…1.000000[16，17，18，19]
前三个结果应该有一个高得分和一个低p值，因为前三个组在设计上是有差异的共同调节（如前所述，通过“rho_s”数组）。因此，如上例所示，该方法能够正确地处理两类样本中差异共同调节的变量组。
此存储库包含实现熵和互信息的各种估计器的python代码。
特别是，可以使用renyi multi information和tsallis multi information估计器。
quickstart
使用“pip”从python包索引安装“midas”，通过
``bash
pip安装midasml
```
您可以从github的github存储库中使用
```bash
$git clone https://github.com/sheffieldlml/midas
```
>
``bash
``bash
$python setup.py install
```
````
例如
>要测试‘midas`` midas`，您可以使用下面的示例。
>创建指定某些变量之间相关性的玩具数据集。
``python
从midas导入numpy作为np
。估计器从midas导入renyimutualinformationdiversity，midas
从midas.model评估导入置换测试评分组
从midas.utils导入样本生成
np.random.seed（30）
n个样本，n个dim=30，20
rho_s=[.95，.9，.8，0，0]
x，y，特征名称，组=样本生成。使组联合（n_samples，n_dim，rho_s=rho_s）
Estimator=renyimutualinformation散度（α=0.99，k=3，n_iter=20）
结果=置换检验组（midas（Estimator），x，y，组，n_jobs=-1）
````
前三组特征在一半的样本中相对于另一半有差异地共同调节，而其他特征组则没有（即，在两种情况下，它们的共同调节是相同的。）
因此，我们可以使用'midas'类，使用'renyimutualinformationdiversion'分析不同类别样本的共同调节。
`result'是一个'pandas.dataframe'，其中包含结果摘要，which is something like
| | score | perm_scores | p-value | group |
|-----| ------------- |:-------------:| -----:|:-----|
0 | 0.614204 | [0.119599699041, 0.17002017399, 0.000642361597...| 0.009901| [0, 1, 2, 3]
1 | 1.177062 |[0.00106705500132, 0.0115119749325, 0.00023392...| 0.009901 |[4, 5, 6, [0.0，0.0410519694311，0.0041796666412452，0.007…[0.029703，[8，9，10，11]<0.0 0.010378，[0.00187252539953604，0.00757194385644，0.0002593，[0.010378，[0.010378，[0.001010378，[0.010378，[0.010378，[0.01037378，[0.00187255353953604，0.001877194385644，0.0002593，[0.0002593，[0.445593，[0.0.0.44555，[12，13，14，14，15]
>4>0.0；[0.00307271647955，0.0，0.0129193052203，0.010…1.000000[16，17，18，19]
前三个结果应该有一个高得分和一个低p值，因为前三个组在设计上是有差异的共同调节（如前所述，通过“rho_s”数组）。因此，如上例所示，该方法能够正确地处理两类样本中差异共同调节的变量组。
欢迎加入QQ群-->： 979659372
