pymvpa2-searchlight - En ligne dans le cloud

PROGRAMME:

Nom

pymvpa2-searchlight - analyse du retour sur investissement itinérant

SYNOPSIS

pymvpa2 projecteur [--version] [-h] -i BASE DE DONNÉES [BASE DE DONNÉES ...] --charge utile CHARGE UTILE
--voisins SPEC [--nproc NPROC] [--multiproc-backend {natif, hdf5}] [--agrégat-fx
AGGREGATE_FX] [--ds-preproc-fx DS_PREPROC_FX] [--enable-ca Nom [Nom ...]] [--disable-ca
Nom [Nom ...]] [--scatter-rois SPEC] [--roi-attr ATTR/EXPR [ATTR/EXPR ...]] [--CV-
apprenant CV_LEARNER] [--cv-espace-apprenant CV_LEARNER_SPACE] [--cv-partitionneur
CV_PARTITIONER] [--cv-errorfx CV_ERRORFX] [--cv-avg-datafold-results] [--cv-solde-
Formation CV_BALANCE_TRAINING] [--cv-sampling-répétitions CV_SAMPLING_REPETITIONS] [--CV-
permutations CV_PERMUTATIONS] [--cv-prob-tail {gauche droite}] -o SORTIE [--hdf5-compression
TYPE]

DESCRIPTION

Analyse du retour sur investissement des voyages

OPTIONS

--version
afficher la version du programme et les informations de licence et quitter

-h, --Aidez-moi, --help-np
afficher ce message d'aide et quitter. --help-np désactive de force l'utilisation d'un téléavertisseur
pour afficher l'aide.

-i JEU DE DONNEES [JEU DE DONNEES ...], --saisir JEU DE DONNÉES [JEU DE DONNÉES ...]
chemin(s) vers un ou plusieurs fichiers de jeu de données PyMVPA. Tous les ensembles de données seront fusionnés dans un
ensemble de données unique (vstack'ed) dans l'ordre de spécification. Dans certains cas, cette option peut
doivent être spécifiés plus d'une fois si des ensembles de données d'entrée multiples, mais séparés, sont
nécessaire.

Options pour projecteur configuration:
--charge utile CHARGE UTILE
commutateur pour sélectionner un type d'analyse particulier à exécuter à la manière d'un projecteur sur un
base de données. En fonction du choix, les options de configuration de l'analyse correspondantes sont
évalué. 'cv' calcule une analyse de validation croisée. Alternativement, l'argument
à cette option peut également être un nom de fichier de script dans lequel une mesure personnalisée est construite
cela est ensuite utilisé comme un projecteur.

--voisins SPEC
définir la taille et la forme d’une ROI par rapport à un emplacement centre/graine. Si un
un seul nombre entier est donné, il est interprété comme le rayon (en nombre de grille
éléments) autour d’un emplacement de graine. Par défaut, les coordonnées de grille des entités sont
extrait d'un attribut de fonctionnalité 'voxel_indices' dans l'ensemble de données d'entrée. Si les coordonnées
doit être extrait d'un attribut différent, la valeur du rayon peut être préfixée par
le nom de l'attribut, c'est-à-dire 'altcoords:2'. Pour les formes ROI autres que les sphères (avec
paramètres potentiellement supplémentaires), le nom de la forme peut également être spécifié, c'est-à-dire
'voxel_indices:HollowSphere:3:2'. Tous les objets du quartier du
Les modules mvpa2.misc.neighborhood sont pris en charge. Pour les formes de retour sur investissement personnalisées, c'est également
possible de transmettre un nom de fichier de script, ou un nom d'attribut plus un nom de fichier de script
combinaison, c'est-à-dire 'voxel_indices:myownshape.py' (avancé). Il est possible de
spécifiez cette option plusieurs fois pour définir des formes de ROI multi-espaces pour, par exemple,
projecteurs spatio-temporels.

--nproc NPROC
Utilisez le nombre spécifique ou les processus de travail pour l'informatique.

--multiproc-backend {natif, hdf5}
Spécifie la manière dont les résultats sont renvoyés à partir d'un bloc de traitement en cas de
--nproc > 1. 'native' est le décapage/décapage des résultats, tandis que 'hdf5' utilise HDF5
stockage de fichiers basé. 'hdf5' peut être plus efficace en termes de temps et de mémoire dans certains cas.

--agrégat-fx AGGREGATE_FX
utiliser une fonction d'agrégation de résultats personnalisée pour le projecteur

--ds-preproc-fx DS_PREPROC_FX
fonction de prétraitement personnalisée à appliquer immédiatement après le chargement des données

Options pour conditionnels. attributs:
--enable-ca NOM NOM ...]
liste des attributs conditionnels à activer

--disable-ca NOM NOM ...]
liste des attributs conditionnels à désactiver

Options pour contraignant le projecteur:
--scatter-rois SPEC
dispersez les emplacements de retour sur investissement dans l’espace disponible. Les arguments soutenus par ce
option sont identiques à celles de --voisins. Les emplacements de retour sur investissement sont choisis au hasard
de tous les emplacements possibles avec la contrainte que les coordonnées centrales de tout
Le retour sur investissement n'est PAS dans le voisinage (tel que défini par l'argument de cette option) d'un
deuxième retour sur investissement. Augmenter la taille du quartier augmente donc la
rareté de l’échantillonnage.

--roi-attr ATTR/EXPR [ATTR/EXPR ...]
nom d'un attribut de fonctionnalité dont les valeurs non nulles définissent un retour sur investissement possible
graines/centres. Alternativement, cela peut aussi être une expression telle que : parcellation_roi
eq 16 (voir la commande 'select' pour savoir quelles expressions sont prises en charge).

Options pour validation croisée configuration:
--cv-apprenant CV_LEARNER
sélectionner un apprenant (nœud entraînable) via sa description dans l'entrepôt des apprenants (voir
commande 'info' pour une liste), une liste de capacités séparées par des deux-points, ou par un fichier
chemin d'accès à un script Python qui crée une instance de classificateur (avancé).

--cv-espace-apprenant CV_LEARNER_SPACE
nom d'un exemple d'attribut qui définit le modèle à apprendre par un apprenant. Par
par défaut, il s'agit d'un attribut nommé « cibles ».

--cv-partitionneur CV_PARTITIONER
sélectionnez un schéma de pliage des données. Les arguments pris en charge sont : 'half' pour split-half
partitionnement, 'oddeven' pour le partitionnement en morceaux pairs et impairs, 'group-X' où
X peut être n'importe quel entier positif pour le partitionnement en groupes X, 'nX' où X peut être
n'importe quel entier positif pour le partitionnement Leave-X-chunks. Par défaut les partitionneurs
fonctionnent sur des morceaux d'ensemble de données qui sont définis par un attribut d'échantillon « morceaux ». Le nom
de l'attribut "chunking" peut être modifié en ajoutant deux points et le nom du
attribut (par exemple 'oddeven:run'). facultativement, un argument de cette option peut également être
un chemin de fichier vers un script Python qui crée une instance de partitionneur personnalisé
(Avancée).

--cv-errorfx CV_ERRORFX
fonction d'erreur à appliquer aux cibles et prédictions de chacun
pli de données de validation croisée. Cela peut être soit le nom de n'importe quelle fonction d'erreur dans
Le module mvpa2.misc.errorfx de PyMVPA, ou un chemin de fichier vers un script Python qui crée
une fonction d'erreur personnalisée (avancée).

--cv-avg-datafold-results
valeurs moyennes des résultats à travers les plis de données générés par le partitionneur. Par exemple
pour calculer une erreur de prédiction moyenne sur tous les plis d'une procédure de validation croisée.

--cv-balance-training CV_BALANCE_TRAINING
Si activé, les échantillons d'apprentissage sont équilibrés dans chaque pli de données. Si le mot-clé
'égal' est donné comme argument un nombre égal d'échantillons aléatoires pour chaque unique
la valeur cible est choisie. Le nombre d'échantillons par catégorie est déterminé par le
catégorie avec le moins d'échantillons dans l'ensemble d'apprentissage respectif. Un
l'argument entier entraînera le nombre correspondant d'échantillons par catégorie à
être sélectionné au hasard. Un argument de nombre à virgule flottante (intervalle [0,1]) indique
quelle fraction des échantillons disponibles doit être sélectionnée.

--cv-sampling-répétitions CV_SAMPLING_REPETITIONS
Si l'équilibrage de l'ensemble d'apprentissage est activé, à quelle fréquence la sélection d'échantillons aléatoires doit-elle être
effectué pour chaque pli de données. Par défaut : 1

--cv-permutations CV_PERMUTATIONS
Nombre de passes de permutation Monte-Carlo à calculer pour estimer un H0
distribution pour tous les résultats de validation croisée. L'activation de cette option fera
rapports des valeurs p correspondantes disponibles dans le résumé des résultats et la sortie.

--cv-prob-tail {gauche droite}
quelle queue de la distribution de probabilité pour rapporter les valeurs de p lors de l'évaluation
résultats des tests de permutation. Par exemple, une prédiction de moyenne de calcul de validation croisée
erreur pourrait rapporter la valeur p de la queue gauche pour un test unilatéral.

Sortie options:
-o SORTIR, --output SORTIE
nom du fichier de sortie (l'extension '.hdf5' est ajoutée automatiquement si nécessaire). Noter la
le format de sortie convient à l'échange de données entre les commandes PyMVPA, mais n'est pas
recommandé pour le stockage à long terme ou l'échange car son contenu spécifique peut varier
en fonction de l'environnement logiciel réel. Pour un stockage à long terme, pensez
conversion en d'autres formats de données (voir la commande 'dump').

--hdf5-compression TYPE
type de compression pour le stockage HDF5. Les valeurs disponibles dépendent du HDF5 spécifique
installation. Les valeurs typiques sont : 'gzip', 'lzf', 'szip' ou des nombres entiers de 1 à 9
indiquant les niveaux de compression gzip.

Utilisez pymvpa2-searchlight en ligne à l'aide des services onworks.net