毕加索蟒蛇包
pycasso的Python项目详细描述
毕加索:惩罚广义线性模型求解器-释放非凸惩罚的力量
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()
向右复制
Author: | Jason Ge, Haoming Jiang |
---|---|
Maintainer: | Haoming Jiang <jianghm@gatech.edu> |