ivis

ivis算法的实现，如论文保留高维单细胞数据集结构的可视化中所述。Ivis旨在使用经过三元组训练的孪生神经网络来降低非常大的数据集的维度。支持无监督和有监督模式。

安装

Ivis基于TensorFlow运行。要从PyPi安装最新的ivis版本并在CPU TensorFlow包上运行，请执行：

# TensorFlow 2包需要pip版本>19.0。
pip install --upgrade pip

pip install ivis[cpu]

如果您已安装CUDA并希望ivis使用tensorflow-gpu包，请运行

pip install ivis[gpu]

可以直接从github安装开发版本：

git clone https://github.com/beringresearch/ivis
cd ivis
pip install -e '.[cpu]'

在训练Ivis模型时使用可视化回调需要以下可选依赖项：

• matplotlib
• seaborn

升级

Ivis Python包经常更新！要升级，请运行：

pip install ivis --upgrade

特性

• 可扩展： ivis快速且易于扩展到数百万个观测值和数千个特征。
• 多功能： 开箱即用支持numpy数组、稀疏矩阵和hdf5文件。此外，它能很好地处理分类和连续特征，使其易于应用于包括聚类和异常检测在内的异构问题。
• 准确： ivis擅长保留数据集的局部和全局特征。通常，ivis在保留数据全局结构方面比t-SNE表现更好，使高维数据集的可视化和解释变得容易。
• 可泛化： ivis通过transform方法支持将新数据点添加到原始嵌入中，使其易于融入标准的sklearn管道。

还有更多！查看ivis readme了解最新添加和示例。

示例

from ivis import Ivis
from sklearn.preprocessing import MinMaxScaler
from sklearn import datasets

iris = datasets.load_iris()
X = iris.data
X_scaled = MinMaxScaler().fit_transform(X)

model = Ivis(embedding_dims=2, k=15)

embeddings = model.fit_transform(X_scaled)

版权所有 2024 Bering Limited