A python library for performing unsupervised machine learning on datasets with learning (e.g. PCA) in contrastive settings, where one is interested in patterns (e.g. clusters or clines) that exist one dataset, but not the other. Applications include dicovering subgroups in biological and medical data. Here are basic installation and usage...
可以确定哪些群体的治疗效果更好。而不治疗其他人群。
他们就是这么做的,诊断就是分组,治疗就是分组)))))。当没有足够的数据来了解治疗过程时,这种方法基本上是正常的。假设的形式是用不同变化的实验和具有足够纯度的实验比较来证实假设,从而取代逻辑证据。
还记得 _Vizard 在他的视频中不断扩展一些要点,然后又将其删除吗?)
https://github.com/abidlabs/contrastive
还记得 _Vizard 在他的视频中不断扩展一些要点,然后又将其删除吗?)
https://github.com/abidlabs/contrastive
还有PLS。乍一看,想法很相似。
然后是PLS。乍一看,想法很相似。
还有 t-sne、umap、lle....还有很多其他的东西
有一点我不明白,IT 部门的主管从来没有做过 PCA,他的热情有什么意义?)))
还有 t-sne、umap、lle....还有其他一些东西。
有一点我不明白,IT 部门的主管从来没做过 PCA,还这么热情干什么?)))
这些似乎都是非线性的,而那些都是线性的,就像 PCA 一样,如果我没弄糊涂的话。
这就是PLS。乍一看,想法似乎相似。
是否也使用了额外的数据集?
不,问题的表述在形式上是不同的,那里使用的是标签。在我看来,相似之处在于寻找投影的空间。我认为这两种方法在遗传学中都有应用,因为遗传学中特征的维度非常大,比实例的数量还要多。
不,问题的表述在形式上是不同的,标签也是在那里使用的。在我看来,相似之处在于寻找投影的空间。我认为这两种方法也用于遗传学,因为遗传学中的性状维度非常大,超过了实例的数量。
我仔细看了一下。是的,差异比较明显,尽管我对该方法的线性并没有弄错。
据说 cPSA 可以帮助直观地发现市场阶段之间的细微差别。让我们也成为奇才吧)
我仔细看了看。是的,虽然我没有弄错方法的线性度,但差异还是比较明显的。
据说,cPSA 可以帮助直观地发现市场阶段之间的细微差别。让我们也成为奇才吧)。