pymvpa2-searchlight - 云端在线

程序：

您的姓名

pymvpa2-searchlight - 旅行投资回报率分析

概要

pymvpa2 探照灯 [- 版[-h] -i 数据集 [数据集 ...] --有效载荷 有效载荷
- 邻居 SPEC [--nproc 国家过程控制中心[--multiproc-后端 {本机，hdf5}[--聚合-FX
聚合_FX[--ds-preproc-fx DS_PREPROC_FX[--启用-ca 您的姓名 [您的姓名 ...]] [--禁用-ca
您的姓名 [您的姓名 ...]] [--分散-rois SPEC[--roi-attr 属性/表达式 [属性/表达式 ...]] [- 简历-
学习者 简历_学习者[--cv-学习者空间 CV_LEARNER_SPACE[--cv-分区器
CV_PARTITIONER[--cv-errorfx CV_ERRORFX[--cv-avg-datafold-结果[--cv-平衡-
测试 CV_平衡_训练[--cv-采样-重复 CV_SAMPLING_REPETITIONS 次数[- 简历-
排列 CV_排列[--cv-概率尾部 {左右}] -o OUTPUT [--hdf5-压缩
型]

商品描述

旅游投资回报率分析

配置

- 版
显示程序的版本和许可证信息并退出

-h, - 帮帮我, --帮助-np
显示此帮助消息并退出。 --帮助-np 强制禁用寻呼机的使用
用于显示帮助。

-i 数据集 [数据集 ...], - 输入 数据集 [数据集 ...]
一个或多个 PyMVPA 数据集文件的路径。 所有数据集将合并为一个
按规格顺序排列的单个数据集（vstack'ed）。 在某些情况下，此选项可能
如果有多个但独立的输入数据集，则需要多次指定
必需的。

附加选项 探照灯 设置：
--有效载荷 有效载荷
切换到选择特定的分析类型以探照灯方式运行
数据集。 根据选择，相应的分析设置选项是
评估。 'cv' 计算交叉验证分析。 或者，参数
此选项也可以是构建自定义度量的脚本文件名
然后作为探照灯运行。

- 邻居 SPEC
相对于中心/种子位置定义 ROI 的大小和形状。 如果一个
给出单个整数，它被解释为半径（以网格数为单位）
元素）围绕种子位置。 默认情况下，要素的网格坐标为
取自输入数据集中的“voxel_indices”特征属性。 如果坐标
应取自不同的属性，半径值可以带有前缀
属性名称，即“altcoords:2”。 对于球体以外的 ROI 形状（具有
潜在的附加参数），也可以指定形状名称，即
'voxel_indices:HollowSphere:3:2'。 所有邻域对象来自
支持 mvpa2.misc.neighborhood 模块。 对于自定义 ROI 形状，它也是
可以传递脚本文件名，或属性名加脚本文件名
组合，即“voxel_indices:myownshape.py”（高级）。 有可能
多次指定此选项以定义多空间 ROI 形状，例如，
时空探照灯。

--nproc 国家过程控制中心
使用特定数量或工作进程进行计算。

--multiproc-后端 {本机，hdf5}
指定在以下情况下从处理块返回结果的方式
--nproc > 1. 'native' 是对结果进行酸洗/取消酸洗，而 'hdf5' 使用 HDF5
基于文件存储。 在某些情况下，'hdf5' 可能更节省时间和内存。

--聚合-FX 聚合_FX
为探照灯使用自定义结果聚合函数

--ds-preproc-fx DS_PREPROC_FX
加载数据后立即应用的自定义预处理函数

附加选项 有条件 属性：
--启用-ca 姓名 [姓名 ...]
要启用的条件属性列表

--禁用-ca 姓名 [姓名 ...]
要禁用的条件属性列表

附加选项 约束 此 探照灯：
--分散-rois SPEC
在可用空间中分散 ROI 位置。 支持的论点
选项与 - 邻居. ROI 位置是随机选择的
从所有可能的位置，约束条件是任何的中心坐标
ROI 不在一个邻域内（由该选项的参数定义）
第二个投资回报率。 因此，增加邻域的规模会增加
抽样的稀缺性。

--roi-attr 属性/表达式 [属性/表达式 ...]
其非零值定义可能的 ROI 的特征属性的名称
种子/中心。 或者，这也可以是如下表达式：parcellation_roi
eq 16（有关支持哪些表达式的信息，请参阅“选择”命令）。

附加选项 交叉验证 设置：
--cv-学习者 简历_学习者
通过学习者仓库中的描述选择一个学习者（可训练节点）（参见
用于列表的“信息”命令）、以冒号分隔的功能列表或文件
创建分类器实例的 Python 脚本的路径（高级）。

--cv-学习者空间 CV_LEARNER_SPACE
定义学习者要学习的模型的样本属性的名称。 经过
默认这是一个名为“目标”的属性。

--cv-分区器 CV_PARTITIONER
选择数据折叠方案。 支持的参数是： 'half' 表示分半
分区，'oddeven' 用于划分为奇数块和偶数块，'group-X' 其中
X 可以是任何用于在 X 组中进行分区的正整数，'nX'，其中 X 可以是
任何用于保留 X 块分区的正整数。 默认分区器
对由“块”样本属性定义的数据集块进行操作。 名字
可以通过附加冒号和名称来更改“分块”属性的
属性（例如'oddeven:run'）。 可选地，此选项的参数也可以是
创建自定义分区程序实例的 Python 脚本的文件路径
（先进的）。

--cv-errorfx CV_ERRORFX
应用于每个目标和预测的误差函数
交叉验证数据折叠。 这可以是任何错误函数的名称
PyMVPA 的 mvpa2.misc.errorfx 模块，或创建的 Python 脚本的文件路径
自定义错误函数（高级）。

--cv-avg-datafold-结果
分区器生成的跨数据折叠的平均结果值。 例如
计算交叉验证程序所有折叠的平均预测误差。

--cv-平衡-训练 CV_平衡_训练
如果启用，训练样本在每个数据折叠内平衡。 如果关键字
'equal' 作为参数给出每个唯一的相同数量的随机样本
选择目标值。 每个类别的样本数由
在各自的训练集中样本数最少的类别。 一个
整数参数将导致每个类别的相应样本数
被随机选择。 浮点数参数（区间 [0,1]）表示
应选择可用样本的哪一部分。

--cv-采样-重复 CV_SAMPLING_REPETITIONS 次数
如果启用了训练集平衡，随机样本选择应该多久进行一次
对每个数据折叠执行。 默认值：1

--cv-排列 CV_排列
为估计 H0 计算的 Monte-Carlo 置换运行次数
所有交叉验证结果的分布。 启用此选项将使
结果摘要和输出中可用的相应 p 值的报告。

--cv-概率尾部 {左右}
评估时从概率分布的哪个尾部报告 p 值
排列测试结果。 例如，交叉验证计算均值预测
错误可能会报告单边检验的左尾 p 值。

输出 opţiuni:
-o 输出， - 输出 OUTPUT
输出文件名（必要时自动添加“.hdf5”扩展名）。 注意：
输出格式适用于 PyMVPA 命令之间的数据交换，但不适用于
建议长期储存或交换，因为其具体内容可能会有所不同
视实际软件环境而定。 对于长期存储，请考虑
转换为其他数据格式（参见“转储”命令）。

--hdf5-压缩 型
HDF5 存储的压缩类型。 可用值取决于特定的 HDF5
安装。 典型值为：“gzip”、“lzf”、“szip”或 1 到 9 之间的整数
表示 gzip 压缩级别。

使用 onworks.net 服务在线使用 pymvpa2-searchlight