通过遗传进化生成人工数据集。
edo的Python项目详细描述
.. 图片::https://img.shields.io/pypi/v/edo.svg
:目标:https://pypi.org/project/edo/
…图片::https://travis-ci.com/daffidwide/edo.svg?branch=master
:目标:https://travis ci.com/daffidwide/edo
…图片::https://coveralls.io/repos/github/daffidwide/edo/badge.svg?branch=master&service=github
:目标:https://coveralls.io/github/daffidwide/edo?分支=主
…图片::https://img.shields.io/badge/code%20style-black-000000.svg
:目标:https://github.com/ambv/black
…图片::https://zenodo.org/badge/139703799.svg
:目标:https://zenodo.org/badge/latestdoi/139703799
进化论。
这通常是通过在
数据集上运行多个算法或根据当前
文献的发现证明选择的合理性来完成的但是,是什么让这些数据对算法“有好处”为什么
算法在某些数据集上表现良好,而在其他数据集上表现不佳?
此库的目的是创建一组数据集
,对于这些数据集,特定算法在其目标函数方面表现良好。此函数传递给遗传算法(ga),其中每个
个体表示由其维度定义的一系列数据集,以及每个列的
统计形状。个体的适应度是通过对属于其家族的样本数据集的适应度进行某种合并而得到的。希望不仅为特定算法建立有效的
数据集库,而且给用户提供
确定和研究这些数据集的首选特征的能力。
此外,由于该遗传算法可以将任何适应度函数作为参数,因此可以同时比较两个或多个
算法。例如,通过考虑两个相似的
算法:math:`a`和:math:`b',其适应度函数分别为:math:`fu a'和
:math:`fu b'。然后对于合适的数据集:math:`x`考虑
适应度函数,用:math:`f`表示,用
表示。数学:
f(X)=fôA(X)-fôB(X)
?
==
遗传算法(gas)是利用自然选择概念的搜索和优化方法的分支。气体通过根据个体的健康状况创造
个体的种群而起作用。这些个体是
搜索空间中的潜在解决方案,通常由一系列“等位基因”表示。
这些等位基因一起形成“染色体”表示。大多数天然气,不管其应用程序如何,都有以下运算符:
**selection:**从当前
种群中选择个体子集以生成下一个种群的方法。几乎总是基于
个体的适应度。
**crossover:*两个个体上的运算符,通常被认为是“父母”
,创建一个或多个“后代”。
**GA如下所示。
…图片:./docs/_static/flowchart.svg
:alt:遗传算法的示意图
:宽度:80%
:对齐:居中
…包含::installation.rst
:目标:https://pypi.org/project/edo/
…图片::https://travis-ci.com/daffidwide/edo.svg?branch=master
:目标:https://travis ci.com/daffidwide/edo
…图片::https://coveralls.io/repos/github/daffidwide/edo/badge.svg?branch=master&service=github
:目标:https://coveralls.io/github/daffidwide/edo?分支=主
…图片::https://img.shields.io/badge/code%20style-black-000000.svg
:目标:https://github.com/ambv/black
…图片::https://zenodo.org/badge/139703799.svg
:目标:https://zenodo.org/badge/latestdoi/139703799
进化论。
这通常是通过在
数据集上运行多个算法或根据当前
文献的发现证明选择的合理性来完成的但是,是什么让这些数据对算法“有好处”为什么
算法在某些数据集上表现良好,而在其他数据集上表现不佳?
此库的目的是创建一组数据集
,对于这些数据集,特定算法在其目标函数方面表现良好。此函数传递给遗传算法(ga),其中每个
个体表示由其维度定义的一系列数据集,以及每个列的
统计形状。个体的适应度是通过对属于其家族的样本数据集的适应度进行某种合并而得到的。希望不仅为特定算法建立有效的
数据集库,而且给用户提供
确定和研究这些数据集的首选特征的能力。
此外,由于该遗传算法可以将任何适应度函数作为参数,因此可以同时比较两个或多个
算法。例如,通过考虑两个相似的
算法:math:`a`和:math:`b',其适应度函数分别为:math:`fu a'和
:math:`fu b'。然后对于合适的数据集:math:`x`考虑
适应度函数,用:math:`f`表示,用
表示。数学:
f(X)=fôA(X)-fôB(X)
?
==
遗传算法(gas)是利用自然选择概念的搜索和优化方法的分支。气体通过根据个体的健康状况创造
个体的种群而起作用。这些个体是
搜索空间中的潜在解决方案,通常由一系列“等位基因”表示。
这些等位基因一起形成“染色体”表示。大多数天然气,不管其应用程序如何,都有以下运算符:
**selection:**从当前
种群中选择个体子集以生成下一个种群的方法。几乎总是基于
个体的适应度。
**crossover:*两个个体上的运算符,通常被认为是“父母”
,创建一个或多个“后代”。
**GA如下所示。
…图片:./docs/_static/flowchart.svg
:alt:遗传算法的示意图
:宽度:80%
:对齐:居中
…包含::installation.rst