Contributing to PyPI

　　

　　HNet代表图形化超几何网络，它是一种通过统计推断来检验变量间关联的显著性的方法。 其目的是确定一个具有重要关联的网络，可以揭示变量之间的复杂关系。 输入数据集的范围从一般的数据帧到带有列表、缺失值和枚举的嵌套数据结构。在

　　真实世界的数据通常包含连续值和离散值的测量值。 尽管有许多库，但混合数据类型的数据集需要密集的预处理步骤， 如何描述变量之间的关系仍然是一个挑战。 数据理解阶段对数据挖掘过程至关重要，但是，在没有对数据进行任何假设的情况下， 搜索空间在变量数量上是超指数的。因此，彻底的数据理解阶段不是常见的做法。在

　　方法

　　我们提出了图形超几何网络（），这是一种使用统计推断测试变量间关联的显著性的方法。其目的是确定一个只使用重要关联的网络，以阐明变量之间的复杂关系。HNet处理原始的非结构化数据集，并输出由节点之间（部分）有向或无向边（即变量）组成的网络。为了评估HNet的准确性，我们使用已知的数据集和生成的具有已知基本真相的数据集。此外，还比较了HNet与贝叶斯关联学习的性能。在

　　结果

　　我们证明了HNet在节点链路检测方面表现出了很高的准确性和性能。在报警数据集的情况下，我们可以证明平均MCC得分为0.33+0.0002（P<；1x10-6），而贝叶斯关联学习的平均MCC得分为0.52+0.006（P<；1x10-11），随机分配边缘的MCC得分为0.004+0.0003（P=0.49）。在

　　结论

　　HNet克服了对原始非结构化数据集的处理，它允许分析混合数据类型，它很容易扩展变量的数量，并允许对检测到的关联进行详细检查。在

　　文档

　　API文档：https://erdogant.github.io/hnet/文章：https://arxiv.org/abs/2005.04679 ^{1}$ 在

　　从PyPI安装hnet（推荐）。Hnet与Python3.6+兼容，可在Linux、MacOS X和Windows上运行。 它是在Apache2.0许可下发布的。在 ^{pr2}$ 泰坦尼克号数据集的简单示例在泰坦尼克号数据集上进行关联学习。 在

　　d3graph Titanic <；link rel=“导入”href=“https://erdogant.github.io/docs/d3graph/titanic_example/index.html“>； 总结结果。网络会变成巨大的毛球，热图无法阅读。您可能希望查看类别之间的常规关联，而不是标签关联。 使用summary功能，结果将按类别汇总。在

　　 在

　　功能重要性 在

　　性能 在

　　如果这对你的研究有用，请在你的出版物中引用。在

　　arXivArticle in pdfSphinxGithub这是BibTeX条目：

　　欢迎加入QQ群-->： 979659372