基于监督核的纵向pca(skl-pca)
sklPCA的Python项目详细描述
该软件包实现了基于监督核的纵向主成分分析(skl-pca),用于纵向模型的预测降维。该软件由mindstrong健康数据科学团队的成员编写:
- Patrick Staples, PhD
- Min Ouyang, PhD
- Bob Dougherty, PhD
- Greg Ryslik, PhD, FCAS, MAAA
- Paul Dagum, MD, PhD
请在datascience@mindstronghealth.com与我们联系。
注意:如果您在工作中使用此软件,请引用以下paper:
Patrick Staples, Min Ouyang, Robert F. Dougherty, Gregory A. Ryslik, and Paul Dagum (2018). Supervised Kernel PCA For Longitudinal Data. http://arxiv.org/abs/1808.06638.
安装
安装软件包的最简单方法是通过easy_install或pip:
$ pip install sklPCA
这也应该考虑依赖关系(numpy、scipy、pandas和sklearn)。
用法
请参阅examples.py以获取模拟数据、预测因子减少、拟合和交叉验证模型性能的示例。
版权和许可证
版权所有(c)2018,Mindstrong Health。GNU Affero通用公共许可证。