Deepmg · PyPI

pip встановити deepmg Скопіюйте інструкції PIP

pypi

Випущено: 15 квітня 2020 р

Пакет Python для візуалізації/підготовки/прогнозування даних за допомогою алгоритмів машинного/глибокого навчання

Навігація

Посилання на проекти

Статистика

Переглядайте статистику цього проекту на Libraries.io або за допомогою нашого загальнодоступного набору даних у Google BigQuery

Ліцензія: Загальна публічна ліцензія GNU (GPL) (GPLv3 +)

Супровідники

Класифікатори

  • Ліцензія
    • Затверджено OSI: Загальна публічна ліцензія GNU (GPL)
  • Операційна система
    • Незалежна ОС
  • Мова програмування
    • Python: 3

Опис проекту

Met2Img (deepmg) - це обчислювальна основа для метагеномічного аналізу з використанням глибокого навчання та класичних алгоритмів навчання: (перетворено на python3 з 26 квітня 2019 р. (з версії 1.0.0))

Будь ласка, цитуйте Met2Img (deepmg) у своїх публікаціях, якщо це допомогло вашим дослідженням. Дуже дякую!

Передумови

  • Будь ласка, встановіть, якщо у вас немає: python3.6
  • Щоб використовувати пакети для пояснення навченої мережі, завантажте та встановіть:

Встановіть або завантажте пакет Met2Img

Для того, щоб встановити пакет

Для того, щоб завантажити пакет

Як користуватися Met2Img

Вхідні дані:

  • обов’язково: файли CSV, що містять дані (* _x.csv) та мітки (* _y.csv)
  • необов’язково: якщо використовується зовнішній набір перевірки: дані (* z_x.csv) та мітки (* z_y.csv)) поміщаються в дані, що піддаються обробці з параметрами --orginal_data_folder).

Наприклад, cirphy_x.csv та cirphy_y.csv для набору даних про цироз у [MetAML] (https://journals.plos.org/ploscompbiol/article?id=10.1371/journal.pcbi.1004977) ТІЛЬКИ для внутрішніх перевірок; та ibdtrainHS_UCr_x.csv ibdtrainHS_UCr_y.csv ibdtrainHS_UCrz_x.csv ibdtrainHS_UCrz_y.csv для набору даних у [Sokol's] (https://www.ncbi.nlm.nih.gov/pubmed/26843508) набори даних, що містять зовнішні набори даних.

Вихідні дані:

images: Met2Img генерує зображення та зберігає їх у [images/name_dataset_parameters_to_generate_image /] (images /) (можна змінювати з параметрами --parent_folder_img)

результати: інформація про ефективність/навчання/тестування кожного згину та підсумкові результати поміщаються в [results/name_dataset_parameters_to_generate_image /] (results /) (можна змінювати з параметрами --батьківські_папки_результати), містить більше 5 файлів:

* file_sum.txt: параметри, що використовуються для запуску, продуктивність у кожному згині. Останні рядки показують результати навчання/тестування в ACC, AUC, час виконання та інші показники експерименту. Коли експеримент закінчується, суфікс "_ok" (можна змінювати з параметрами --suff_fini) додається до назви маркування файлу, яким експеримент закінчується.

* file_eachfold.txt (якщо --save_folds = y): результати кожного згину з точністю, аукціон, mcc, втрата тренувань та тестування.

* file_mean_acc.txt (якщо --save_avg_run = y): якщо експеримент включає n повторень, повторених незалежно, отже, файл включає середню ефективність по k-складкам кожного циклу, виміряну точність і виконання часу під час навчання/тестування початку, навчання/тестування після закінчення.

* file_mean_auc.txt (якщо --save_avg_run = y): якщо експеримент включає n повторень, повторених незалежно, отже, файл включає середню ефективність по k-складкам кожного циклу, виміряну AUC при тренуванні/тестуванні початку, тренуванні/тестуванні після закінчення.

Якщо --save_para = y: файл конфігурації для повторення експерименту