Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > stat > arXiv:1911.00648

帮助 | 高级搜索

统计学 > 计算

arXiv:1911.00648 (stat)
[提交于 2019年11月2日 (v1) ,最后修订 2023年2月5日 (此版本, v3)]

标题: salmon:Python的符号线性回归包

标题: salmon: A Symbolic Linear Regression Package for Python

Authors:Alex Boyd, Dennis L. Sun
摘要: R 最吸引人的功能之一是其线性建模能力。我们描述了一个 Python 包 salmon,它以 Python 的方式将 R 在线性建模方面的最佳功能引入 Python——通过提供可组合的对象来指定和拟合线性模型。这种面向对象的设计还实现了其他增强易用性的功能,例如自动可视化和智能模型构建。
摘要: One of the most attractive features of R is its linear modeling capabilities. We describe a Python package, salmon, that brings the best of R's linear modeling functionality to Python in a Pythonic way -- by providing composable objects for specifying and fitting linear models. This object-oriented design also enables other features that enhance ease-of-use, such as automatic visualizations and intelligent model building.
评论: 已被《统计软件期刊》接受
主题: 计算 (stat.CO)
引用方式: arXiv:1911.00648 [stat.CO]
  (或者 arXiv:1911.00648v3 [stat.CO] 对于此版本)
  https://doi.org/10.48550/arXiv.1911.00648
通过 DataCite 发表的 arXiv DOI
期刊参考: Journal of Statistical Software, 108(8), 1-26 (2024)
相关 DOI: https://doi.org/10.18637/jss.v108.i08
链接到相关资源的 DOI

提交历史

来自: Dennis Sun [查看电子邮件]
[v1] 星期六, 2019 年 11 月 2 日 04:42:28 UTC (3,424 KB)
[v2] 星期六, 2021 年 10 月 2 日 00:20:44 UTC (5,998 KB)
[v3] 星期日, 2023 年 2 月 5 日 01:07:01 UTC (3,429 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
stat.CO
< 上一篇   |   下一篇 >
新的 | 最近的 | 2019-11
切换浏览方式为:
stat

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号