mlpy

mlpy es una biblioteca de aprendizaje automático de código abierto escrita en Python , basada en NumPy / SciPy , la biblioteca científica GNU , y que utiliza ampliamente el lenguaje Cython . mlpy ofrece una amplia gama de métodos de aprendizaje automático de vanguardia para problemas supervisados y no supervisados, y busca un equilibrio óptimo entre modularidad, mantenibilidad, reproducibilidad, usabilidad y eficiencia. mlpy es multiplataforma, compatible con Python 2 y 3, y se distribuye bajo la licencia GPL3.

Adecuado para tareas de aprendizaje automático de propósito general, ^{[ 1 ]}^[²^]^[³^]^[⁴^] el campo de aplicación motivador de mlpy es la bioinformática, es decir, el análisis de datos ómicos de alto rendimiento. ^[⁵^]

Características

Regresión: mínimos cuadrados , regresión de cresta , regresión de ángulo mínimo, red elástica , regresión de cresta de núcleo, máquinas de vectores de soporte (SVM), mínimos cuadrados parciales (PLS)
Clasificación: análisis discriminante lineal (LDA), perceptrón básico , Elastic Net, regresión logística , máquinas de vectores de soporte (SVM) (con kernel), análisis discriminante lineal diagonal (DLDA), clasificador de Golub, basado en Parzen, clasificador discriminante de Fisher (con kernel), k-vecinos más cercanos, RELIEF iterativo, árbol de clasificación, clasificador de máxima verosimilitud
Agrupamiento: agrupamiento jerárquico , agrupamiento jerárquico con ahorro de memoria, k-medias
Reducción de dimensionalidad : (Núcleo) Análisis discriminante de Fisher (FDA), Análisis discriminante de regresión espectral (SRDA), (Núcleo) Análisis de componentes principales (PCA)

Las funciones basadas en kernels se gestionan mediante una capa de kernel común. En concreto, el usuario puede elegir entre proporcionar los datos o un kernel precalculado en el espacio de entrada. Los kernels lineal, polinomial, gaussiano, exponencial y sigmoide están disponibles por defecto, y también se pueden definir kernels personalizados. Muchos algoritmos de clasificación y regresión incorporan un procedimiento interno de clasificación de características; alternativamente, mlpy implementa el algoritmo I-Relief. La eliminación recursiva de características (RFE) para clasificadores lineales y el algoritmo KFDA-RFE están disponibles para la selección de características. Se proporcionan métodos para el análisis de listas de características (por ejemplo, el indicador de estabilidad de Canberra ^{[ 6 ]} ), el remuestreo de datos y la evaluación de errores, junto con diferentes métodos de análisis de agrupamiento (jerárquico, jerárquico con ahorro de memoria, k-means). Por último, se incluyen submódulos específicos para el análisis de datos longitudinales mediante la transformada wavelet (continua, discreta y no diezmada) y algoritmos de programación dinámica (Dynamic Time Warping y variantes).

Véase también

scikit-learn , una biblioteca de aprendizaje automático de código abierto para el lenguaje de programación Python.
Infer.NET , una biblioteca de aprendizaje automático de código abierto para .NET Framework.

Referencias

↑ Soleymani et al (2011). Detección continua de emociones en respuesta a vídeos musicales . Conferencia Internacional IEEE sobre Reconocimiento Automático de Rostros y Gestos y Talleres 2011.
↑ Megies, T. et al (2011). ObsPy: ¿Qué puede hacer por los centros de datos y los observatorios? Annals of Geophysics, 2011.
↑ Nguyen, M. H (2010). Nguyen et al. Selección óptima de características para máquinas de vectores de soporte . Pattern Recognition, 2010.
↑ Santana R. (2011) R. Santana. Estimación de algoritmos de distribución: de las implementaciones disponibles a los desarrollos potenciales . Actas de la 13.ª conferencia anual sobre computación genética y evolutiva, 2011.
↑ Wuchty S. (2010). Las vías genéticas y las subredes distinguen entre los principales subtipos de glioma y dilucidan la biología subyacente potencial . Journal of Biomedical Informatics, 2010.
↑ Jurman, Giuseppe; Merler, Stefano; Barla, Annalisa; Paoli, Silvano; Galea, Antonio; Furlanello, Cesare (2008). "Indicadores de estabilidad algebraica para listas clasificadas en perfiles moleculares" . Bioinformatics . 24 (2): 258– 264. doi : 10.1093/bioinformatics/btm550 . PMID 18024475 .

Enlaces externos

Sitio web oficial

[1] Soleymani et al (2011). Detección continua de emociones en respuesta a vídeos musicales . Conferencia Internacional IEEE sobre Reconocimiento Automático de Rostros y Gestos y Talleres 2011.

[2] Megies, T. et al (2011). ObsPy: ¿Qué puede hacer por los centros de datos y los observatorios? Annals of Geophysics, 2011.

[3] Nguyen, M. H (2010). Nguyen et al. Selección óptima de características para máquinas de vectores de soporte . Pattern Recognition, 2010.

[4] Santana R. (2011) R. Santana. Estimación de algoritmos de distribución: de las implementaciones disponibles a los desarrollos potenciales . Actas de la 13.ª conferencia anual sobre computación genética y evolutiva, 2011.

[5] Wuchty S. (2010). Las vías genéticas y las subredes distinguen entre los principales subtipos de glioma y dilucidan la biología subyacente potencial . Journal of Biomedical Informatics, 2010.

[6] Jurman, Giuseppe; Merler, Stefano; Barla, Annalisa; Paoli, Silvano; Galea, Antonio; Furlanello, Cesare (2008). "Indicadores de estabilidad algebraica para listas clasificadas en perfiles moleculares" . Bioinformatics . 24 (2): 258– 264. doi : 10.1093/bioinformatics/btm550 . PMID 18024475 .

[ 1 ]

[

[

[

[

[ 6 ]