pytorch LRP的实现 PyTorch对线性层和卷积层的一些层明智相关性传播（LRP）规则[1、2、3]的实现。 这些模块装饰了torch.nn.Sequential ， torch.nn.Linear和torch.nn.Conv2d ，以便能够使用autograd算法来计算说明。 安装 要安装需求，请参阅文件。 如果使用conda ，则可以通过执行以下命令来安装称为torchlrp的环境： > conda env create -f requirements.yml 为了能够如下所示导入lrp ，请确保路径中包含TorchLRP目录。 用法 该代码可以按如下方式使用： import torch import lrp model = Sequential ( lrp . Conv2d ( 1 , 32 , 3 , 1 , 1 ), torch . nn

相关性分析法课题研究

相关性分析法课题研究

Python_Stock_Estimation 从Yahoo，可视化和关联分析中获取SP500数据集

以猪孕酮受体（PGR）基因序列为模板设计引物，采用PCR-RFLP技术检测PGR基因外显子1在长白猪和大白猪中的单核苷酸多态性，同时研究该基因对猪总产仔数、产活仔数和出生窝重的影响。对于扩增的外显子1片段，在大白猪中检测到GG、AG和AA型，在长白猪中只检测到GG和AG型。测序结果表明，GG型与AA型相比，在326 bp处有一单碱基突变（G→A），该基因所编码的氨基酸则由甘氨酸变为丝氨酸。长白猪GG型总产仔数、产活仔数和出生窝重与AG型总产仔数、产活仔数和出生窝重的差异均没有统计学意义。大白猪AG型总产仔

基金间的相关性预测-数据集

样本数据：https://gist.github.com/jcheong0428/c6d6111ee1b469cf39683bd70fab1c93 jupyter notebook 代码：https://gist.github.com/jcheong0428/4a74f801e770c6fdb08e81a906902832

能够产生良好的m序列的自相关以及互相关结果图，适合初学者

一、 实验题目 对一幅BMP格式的灰度图像既考虑 统计规律又考虑相关性编码，并译码。 二、 算法描述 游程编码（英语：run-length encoding，缩写RLE），又称行程长度编码或变动长度编码法，是一种与数据性质无关的无损数据压缩技术，基于“使用变动长度的码来取代连续重复出现的原始数据”来实现压缩。

参数1是特征值（离散），参数2是对应的标签 参考论文是：S. Wu，PA Flach，带有标记和未标记数据的特征选择，可在http://ai.ijs.si/branax/iddm-2002_proceedings/Wu.pdf 相关论文是：技术说明：决策树归纳中基于信息的措施的偏差。 我按照第一篇论文对文件进行了编程，但发现结果不合理，想知道是卡方特征分析方法的缺点还是我的文件中的一些错误。 希望有人能指出。 计算出的 chi 值需要与卡方表进行比较，以了解特征的重要性。 方格桌： http://www.ma.utexas.edu/users/davis/375/popecol/tables/chisq.html