scikit-fusion 0.2.1

依赖项

scikit-fusion 经过测试可以在 Python 3 下工作。

构建软件所需的依赖项是 Numpy >= 1.7、SciPy >= 0.12、PyGraphviz >= 1.3（仅用于绘制数据融合图）和 Joblib >= 0.8.4。

安装

这个包使用 distutils，这是安装 python 模块的默认方式。要安装在您的主目录中，请使用：

python setup.py install --user

在 Unix/Linux 上为所有用户安装：

python setup.py build
sudo python setup.py install

对于开发模式使用：

python setup.py develop

用法

让我们生成三个描述三种不同对象类型的随机数据矩阵：

>>> import numpy as np
>>> R12 = np.random.rand(50, 100)
>>> R13 = np.random.rand(50, 40)
>>> R23 = np.random.rand(100, 40)

接下来，我们定义我们的数据融合图：

>>> from skfusion import fusion
>>> t1 = fusion.ObjectType('Type 1', 10)
>>> t2 = fusion.ObjectType('Type 2', 20)
>>> t3 = fusion.ObjectType('Type 3', 30)
>>> relations = [fusion.Relation(R12, t1, t2),
                 fusion.Relation(R13, t1, t3),
                 fusion.Relation(R23, t2, t3)]
>>> fusion_graph = fusion.FusionGraph()
>>> fusion_graph.add_relations_from(relations)

然后共同推断潜在数据模型：

>>> fuser = fusion.Dfmf()
>>> fuser.fuse(fusion_graph)
>>> print(fuser.factor(t1).shape)
(50, 10)

之后可能会出现新数据：

>>> new_R12 = np.random.rand(10, 100)
>>> new_R13 = np.random.rand(10, 40)

我们为此定义了融合图：

>>> new_relations = [fusion.Relation(new_R12, t1, t2),
                     fusion.Relation(new_R13, t1, t3)]
>>> new_graph = fusion.FusionGraph(new_relations)

并将新对象转换为由融合器引起的潜在空间：

>>> transformer = fusion.DfmfTransform()
>>> transformer.transform(t1, new_graph, fuser)
>>> print(transformer.factor(t1).shape)
(10, 10)

scikit-fusion 分发了一些工作数据融合场景：

>>> from skfusion import datasets
>>> dicty = datasets.load_dicty()
>>> print(dicty)
FusionGraph(Object types: 3, Relations: 3)
>>> print(dicty.object_types)
{ObjectType(GO term), ObjectType(Experimental condition), ObjectType(Gene)}
>>> print(dicty.relations)
{Relation(ObjectType(Gene), ObjectType(GO term)),
 Relation(ObjectType(Gene), ObjectType(Gene)),
 Relation(ObjectType(Gene), ObjectType(Experimental condition))}

相关链接

• 官方源码仓库：https ://github.com/marinkaz/scikit-fusion

• HTML 文档：待定

• 下载版本：https ://github.com/marinkaz/scikit-fusion/releases

• 问题跟踪器：https ://github.com/marinkaz/scikit-fusion/issues

• 通过矩阵分解进行数据融合：http: //dx.doi.org/10.1109/TPAMI.2014.2343973

• 通过融合系统级分子数据发现疾病-疾病关联：http: //www.nature.com/srep/2013/131115/srep03202/full/srep03202.html

• 基于矩阵分解的面包酵母和粘菌基因功能预测数据融合：http ://www.worldscientific.com/doi/pdf/10.1142/9789814583220_0038

• 基于矩阵分解的药物性肝损伤预测数据融合：http ://www.tandfonline.com/doi/abs/10.4161/sysb.29072

• 数据融合生存回归：http ://www.tandfonline.com/doi/abs/10.1080/21628130.2015.1016702