基于投影寻踪的scikit学习估计器。
projection-pursuit的Python项目详细描述
#投射追踪 [![特拉维斯状态](https://travis-ci.org/pavelkomarov/projection-pursuit.svg?branch=master)](https://travis-ci.org/pavelkomarov/projection-pursuit) [![覆盖状态](https://coveralls.io/repos/github/pavelkomarov/projection-pursuit/badge.svg?branch=master&service=github)](https://coveralls.io/github/pavelkomarov/projection-pursuit?branch=master&service=github)
[文档](https://pavelkomarov.com/projection-pursuit/skpp.html),[工作原理](https://pavelkomarov.com/projection-pursuit/math.pdf)。
这个存储库中有几个[scikit learn](http://scikit-learn.org/)-compatible估计量基于jerome friedman对其和werner stuetzle的投影寻踪回归算法[2][3]的推广[1]。包括一个能够进行多元估计的回归器和一个基于回归到一个热点多元表示的分类器。
##安装和使用 这个包本身带有一个包含估计器的模块。以前 安装您需要的模块numpy,scipy,scikit learn,以及matplotlib。 要安装模块,请执行:
`shell pip install projection-pursuit ` 或 `shell $ python setup.py install `
如果安装成功,您应该能够在python中执行以下操作: `python >>> from skpp import ProjectionPursuitRegressor >>> estimator = ProjectionPursuitRegressor() >>> estimator.fit(np.arange(10).reshape(10, 1), np.arange(10)) `
sphinx通过持续集成运行,生成[api](https://pavelkomarov.com/projection-pursuit/skpp.html)。
有关一些使用示例,请参见示例和基准目录。为了直观地了解学习者正在做什么,可以尝试运行即training\u process.py。为了与其他学习者进行比较,并直观地了解为什么您可能想要尝试ppr,请尝试基准测试。要深入了解数学并解释其工作方式和原因,请参见[math.pdf](https://pavelkomarov.com/projection-pursuit/math.pdf)。
##参考资料
- 弗里德曼,杰罗姆。(1985年)。“通过投影寻踪进行分类和多元回归。”http://www.slac.stanford.edu/pubs/slacpubs/3750/slac-pub-3824.pdf
- 黑斯迪、提比什拉尼和弗里德曼。(2016年)。统计学习要素第2版,第11.2节。
- 投影寻踪回归