pycasso 0.1.2.2

释放非凸惩罚的力量

l1惩罚回归（lasso）对特征选择非常有用。但是当你用套索的时候 非常嘈杂的设置，特别是当数据中的某些列具有强共线性时，套索 由于惩罚项的存在，倾向于给出有偏估计。如下例所示， 在所有计算的lambdas中，最低的估计误差高达16.41%。

要求

• Linux或MacOS

windows用户：在windows上构建可能需要很多努力。一种方法是使用mingw/mingw64。 注意系统位和环境变量等问题。 设置了正确的make工具和g++之后，您可以使用以下指令从suorce安装包。

安装

在下面的过程中，您可能需要是根（sudo）。

从源文件（github）安装，生成文件：

• 克隆picasso.git通过git clone --recurse-submoduleshttps://github.com/jasonge27/picasso.git
• 确保有setuptools
• 运行sudo make Pyinstall命令。

使用cmake从源文件（github）安装：

• 克隆picasso.git通过git clone --recurse-submoduleshttps://github.com/jasonge27/picasso.git
• 确保有setuptools
• 首先通过根目录中的cmake和CMakeLists.txt构建源文件。（您将在(root)/lib/下看到.so或.lib文件）
• 运行cd python-package; sudo python setup.py install命令。

从pypi安装：

• pip install pycasso
• note：由于在不同操作系统上的设置，我们的发行版可能无法在您的环境中工作（特别是在windows中）。因此，请从源代码构建。

您可以测试软件包是否已由成功安装：

importpycassopycasso.test()

用法

importpycassox=[[1,2,3,4,5,0],[3,4,1,7,0,1],[5,6,2,1,4,0]]y=[3.1,6.9,11.3]s=pycasso.Solver(x,y)s.train()s.predict()

对于开发者

请按sphinx syntax style

更新文档：cd doc; make html

向右复制