概述

此软件包实现了距离加权判别（DWD）。关于DWD的详细信息，请参阅（Marron et al 2007，Wang and Zou 2018）。最初由Iain Carmichael在Python中实现。目前由Kitware, Inc维护。

该软件包目前实现了

• 使用二次锥规划（SOCP）解决的原始DWD公式，并使用cvxpy解决。

• 广义DWD（gDWD）和核gDWD使用Wang和Zou，2018年提出的最大化-最小化算法解决。

Marron, James Stephen, Michael J. Todd, and Jeongyoun Ahn. "Distance-weighted discrimination." Journal of the American Statistical Association 102, no. 480 (2007): 1267-1271.

Wang, Boxiang, and Hui Zou. "Another look at distance‐weighted discrimination." Journal of the Royal Statistical Society: Series B (Statistical Methodology) 80, no. 1 (2018): 177-198.

安装

DWD软件包可以通过pip或GitHub安装。该软件包目前仅在python 3.6上进行了测试。

$ pip install dwd

锥形求解器 socp_dwd.DWD 依赖于 cvxpy，它并非所有平台都可用。请参阅cvxpy 安装说明。如果满足 cvxpy 依赖项，则使用 pip install dwd[socp]。

Flit用于打包，所有包元数据都存储在pyproject.toml中。要本地安装或开发此项目，请使用flit install或使用flit build构建一个pip可安装的wheel。

示例

from sklearn.datasets import make_blobs
from dwd.socp_dwd import DWD

# sample sythetic training data
X, y = make_blobs(
    n_samples=200,
    n_features=2,
    centers=[[0, 0],
             [2, 2]],
)

# fit DWD classifier
dwd = DWD(C='auto').fit(X, y)

# compute training accuracy
dwd.score(X, y)  # 0.94

from sklearn.datasets import make_circles
from dwd.gen_kern_dwd import KernGDWD

# sample some non-linear, toy data
X, y = make_circles(n_samples=200, noise=0.2, factor=0.5, random_state=1)

# fit kernel DWD wit gaussian kernel
kdwd = KernGDWD(
    lambd=.1, kernel='rbf',
    kernel_kws={'gamma': 1},
).fit(X, y)

# compute training accuracy
kdwd.score(X, y)  # 0.915

更多示例代码请参阅这些示例笔记本（包括生成上述图表的代码）。如果GitHub上的笔记本无法加载，您可以将笔记本URL复制/粘贴到https://nbviewer.jupyter.org/。

帮助和支持

更多文档、示例和代码修订即将推出。

文档

源代码位于GitHub上：https://github.com/slicersalt/dwd

测试

使用nose进行测试。

贡献

我们欢迎贡献，以使这个包更强大：数据示例、错误修复、拼写错误、新功能等。