pymvpa2-searchlight - Online sa Cloud

PROGRAMA:

NAME

pymvpa2-searchlight - naglalakbay na pagsusuri sa ROI

SINOPSIS

pymvpa2 searchlight [--bersyon] [-h] -i DATASET [DATASET ...] --payload PAYLOAD
--mga kapitbahay SPEC [--nproc NPROC] [--multiproc-backend {native,hdf5}] [--aggregate-fx
AGGREGATE_FX] [--ds-preproc-fx DS_PREPROC_FX] [--enable-ca NAME [NAME ...]] [--disable-ca
NAME [NAME ...]] [--scatter-rois SPEC] [--roi-attr ATTR/EXPR [ATTR/EXPR ...]] [--cv-
aaral CV_LEARNER] [--cv-Learner-space CV_LEARNER_SPACE] [--cv-partitioner
CV_PARTITIONER] [--cv-errorfx CV_ERRORFX] [--cv-avg-datafold-results] [--cv-balanse-
pagsasanay CV_BALANCE_TRAINING] [--cv-sampling-repetitions CV_SAMPLING_REPETITIONS] [--cv-
permutasyon CV_PERMUTATIONS] [--cv-prob-buntot {kaliwa Kanan}] -o oUTPUT [--hdf5-compression
TYPE]

DESCRIPTION

Pagsusuri ng ROI sa paglalakbay

Opsyon

--bersyon
ipakita ang bersyon ng programa at impormasyon ng lisensya at lumabas

-h, - Tumulong, --tulong-np
ipakita ang mensahe ng tulong na ito at lumabas. --tulong-np pilit na hindi pinapagana ang paggamit ng pager
para sa pagpapakita ng tulong.

-i DATASET [DATASET ...], --input DATASET [DATASET ...]
(mga) path patungo sa isa o higit pang PyMVPA na mga dataset file. Ang lahat ng mga dataset ay isasama sa a
solong dataset (vstack'ed) sa pagkakasunud-sunod ng detalye. Sa ilang mga kaso, ang pagpipiliang ito ay maaaring
kailangang tukuyin nang higit sa isang beses kung marami, ngunit hiwalay, ang mga dataset ng input
kinakailangan.

Options para searchlight setup:
--payload PAYLOAD
lumipat upang pumili ng partikular na uri ng pagsusuri na tatakbo sa paraang searchlight sa a
dataset. Depende sa pagpipilian ang kaukulang mga pagpipilian sa pag-setup ng pagsusuri ay
sinusuri. Ang 'cv' ay nag-compute ng cross-validation analysis. Bilang kahalili, ang argumento
sa opsyong ito ay maaari ding isang script filename kung saan binuo ang isang custom na panukala
na pagkatapos ay tumakbo bilang isang searchlight.

--mga kapitbahay SPEC
tukuyin ang laki at hugis ng isang ROI na may kinalaman sa isang sentro/lokasyon ng binhi. Kung ang
ibinibigay ang solong integer na numero, ito ay binibigyang kahulugan bilang radius (sa bilang ng grid
elemento) sa paligid ng isang lokasyon ng binhi. Bilang default na mga coordinate ng grid para sa mga tampok ay
kinuha mula sa isang katangian ng tampok na 'voxel_indices' sa dataset ng input. Kung ang mga coordinate
kukunin mula sa ibang katangian, ang halaga ng radius ay maaaring lagyan ng prefix
ang pangalan ng katangian, ibig sabihin, 'altcoords:2'. Para sa mga hugis ng ROI maliban sa mga sphere (na may
potensyal na karagdagang mga parameter), ang pangalan ng hugis ay maaari ding tukuyin, ibig sabihin
'voxel_indices:HollowSphere:3:2'. Lahat ng mga bagay sa kapitbahayan mula sa
mvpa2.misc.neighborhood module ay suportado. Para sa mga custom na hugis ng ROI ay ganoon din
posibleng magpasa ng script filename, o attribute name kasama ang script filename
kumbinasyon, ibig sabihin, 'voxel_indices:myownshape.py' (advanced). Ito ay posible na
tukuyin ang opsyong ito nang maraming beses upang tukuyin ang mga hugis ng multi-space na ROI para sa, hal,
spatiotemporal na mga searchlight.

--nproc NPROC
Gamitin ang partikular na numero o mga proseso ng manggagawa para sa pag-compute.

--multiproc-backend {native,hdf5}
Tinutukoy kung paano ibabalik ang mga resulta mula sa isang bloke sa pagpoproseso kung sakaling may
--nproc > 1. Ang 'native' ay pag-aatsara/pag-aalis ng mga resulta, habang ang 'hdf5' ay gumagamit ng HDF5
batay sa imbakan ng file. Ang 'hdf5' ay maaaring mas mahusay sa oras at memorya sa ilang mga kaso.

--aggregate-fx AGGREGATE_FX
gumamit ng custom na function ng pagsasama-sama ng resulta para sa searchlight

--ds-preproc-fx DS_PREPROC_FX
custom na preprocessing function na ilalapat kaagad pagkatapos i-load ang data

Options para kondisyonal mga katangian:
--enable-ca PANGALAN [NAME ...]
listahan ng mga conditional na katangian na paganahin

--disable-ca PANGALAN [NAME ...]
listahan ng mga conditional attribute na idi-disable

Options para pumipigil ang searchlight:
--scatter-rois SPEC
ikalat ang mga lokasyon ng ROI sa magagamit na espasyo. Ang mga argumento na sinusuportahan nito
ang pagpipilian ay magkapareho sa mga --mga kapitbahay. Ang mga lokasyon ng ROI ay random na pinipili
mula sa lahat ng posibleng lokasyon na may hadlang na ang sentro ay nag-coordinate ng anuman
Ang ROI ay HINDI sa loob ng kapitbahayan (tulad ng tinukoy ng argumento ng opsyong ito) ng a
pangalawang ROI. Ang pagtaas ng laki ng kapitbahayan samakatuwid ay nagpapataas ng
kakulangan ng sampling.

--roi-attr ATTR/EXPR [ATTR/EXPR ...]
pangalan ng katangian ng tampok na ang mga hindi zero na halaga ay tumutukoy sa posibleng ROI
mga buto/sentro. Bilang kahalili, maaari rin itong maging isang expression tulad ng: parcellation_roi
eq 16 (tingnan ang 'select' command sa impormasyon kung anong mga expression ang sinusuportahan).

Options para cross-validation setup:
--cv-aaral CV_LEARNER
pumili ng mag-aaral (trainable node) sa pamamagitan ng paglalarawan nito sa learner warehouse (tingnan
command na 'info' para sa isang listahan), isang listahan ng mga kakayahan na pinaghihiwalay ng tutuldok, o ng isang file
landas sa isang script ng Python na lumilikha ng isang halimbawa ng classifier (advanced).

--cv-Learner-space CV_LEARNER_SPACE
pangalan ng isang sample na katangian na tumutukoy sa modelong matutunan ng isang mag-aaral. Sa pamamagitan ng
default ito ay isang katangian na pinangalanang 'mga target'.

--cv-partitioner CV_PARTITIONER
pumili ng data folding scheme. Ang mga sinusuportahang argumento ay: 'kalahati' para sa split-half
partitioning, 'oddeven' para sa partitioning sa odd at even chunks, 'group-X' kung saan
Ang X ay maaaring maging anumang positibong integer para sa paghahati sa mga pangkat ng X, 'nX' kung saan maaaring ang X
anumang positibong integer para sa leave-X-chunks out partitioning. Sa pamamagitan ng default na mga partitioner
gumana sa mga tipak ng dataset na tinukoy ng isang sample na attribute na 'chunks'. Ang pangalan
ng katangiang "chunking" ay maaaring baguhin sa pamamagitan ng pagdaragdag ng tutuldok at ang pangalan ng
katangian (hal. 'oddeven:run'). opsyonal na isang argumento sa opsyong ito ay maaari ding
isang file path sa isang Python script na lumilikha ng custom na partitioner instance
(advanced).

--cv-errorfx CV_ERRORFX
error function na ilalapat sa mga target at hula ng bawat isa
cross-validation data fold. Maaari itong maging pangalan ng anumang function ng error sa
Ang mvpa2.misc.errorfx module ng PyMVPA, o isang file path sa isang script ng Python na lumilikha
isang custom na function ng error (advanced).

--cv-avg-datafold-results
average na mga halaga ng resulta sa mga data fold na nabuo ng partitioner. Halimbawa
upang kalkulahin ang isang mean na error sa hula sa lahat ng fold ng isang crossvalidation procedure.

--cv-balanse-training CV_BALANCE_TRAINING
Kung pinagana, ang mga sample ng pagsasanay ay balanse sa loob ng bawat data fold. Kung ang keyword
Ang 'pantay' ay ibinibigay bilang argumento ng pantay na bilang ng mga random na sample para sa bawat natatangi
napili ang target na halaga. Ang bilang ng mga sample sa bawat kategorya ay tinutukoy ng
kategorya na may pinakamababang bilang ng mga sample sa kani-kanilang hanay ng pagsasanay. An
Ang argumentong integer ay magdudulot ng katumbas na bilang ng mga sample sa bawat kategorya
random na napili. Ang argumento ng floating point number (interval [0,1]) ay nagpapahiwatig
anong bahagi ng mga available na sample ang pipiliin.

--cv-sampling-repetitions CV_SAMPLING_REPETITIONS
Kung pinagana ang pagbabalanse ng set ng pagsasanay, gaano kadalas dapat ang random na pagpili ng sample
isinagawa para sa bawat data fold. Default: 1

--cv-permutations CV_PERMUTATIONS
Bilang ng Monte-Carlo permutation run para makalkula para sa pagtantya ng H0
pamamahagi para sa lahat ng resulta ng crossvalidation. Ang pagpapagana sa pagpipiliang ito ay gagawin
mga ulat ng kaukulang p-values ​​na makukuha sa buod at output ng resulta.

--cv-prob-buntot {kaliwa Kanan}
aling buntot ng probability distribution ang mag-uulat ng mga p-value kapag nagsusuri
resulta ng permutation test. Halimbawa, ang ibig sabihin ng isang cross-validation computing ay hula
maaaring mag-ulat ang error sa left-tail p-value para sa isang single-sided na pagsubok.

Pagbubuhos na pagpipilian:
-o OUTPUT, --output oUTPUT
output filename ('.hdf5' extension ay awtomatikong idinagdag kung kinakailangan). TANDAAN: Ang
Ang format ng output ay angkop para sa pagpapalitan ng data sa pagitan ng mga utos ng PyMVPA, ngunit hindi
inirerekomenda para sa pangmatagalang imbakan o palitan dahil maaaring mag-iba ang partikular na nilalaman nito
depende sa aktwal na kapaligiran ng software. Para sa pangmatagalang imbakan isaalang-alang
conversion sa ibang mga format ng data (tingnan ang 'dump' command).

--hdf5-compression TYPE
uri ng compression para sa HDF5 storage. Ang mga available na value ay nakadepende sa partikular na HDF5
pag-install. Ang mga karaniwang halaga ay: 'gzip', 'lzf', 'szip', o mga integer mula 1 hanggang 9
na nagpapahiwatig ng mga antas ng compression ng gzip.

Gumamit ng pymvpa2-searchlight online gamit ang mga serbisyo ng onworks.net