Metadata-Version: 2.4
Name: radial-basis-function
Version: 0.4.1
Summary: Radial Basis Function e Multiplicação de Matriz Pseudo-Inversa, para modelos de Regressão e Multi-Classificatórios.
Project-URL: Homepage, https://github.com/VictorVenites/Radial-Basis-Function
Project-URL: Documentation, https://github.com/VictorVenites/Radial-Basis-Function
Project-URL: Repository, https://github.com/VictorVenites/Radial-Basis-Function
Author-email: Victor Venites <contato@victorvenites.com>
Maintainer-email: Victor Venites <contato@victorvenites.com>
License: MIT License
        
        Copyright (c) 2023-present VictorVenites
        
        Permission is hereby granted, free of charge, to any person obtaining a copy
        of this software and associated documentation files (the "Software"), to deal
        in the Software without restriction, including without limitation the rights
        to use, copy, modify, merge, publish, distribute, sublicense, and/or sell
        copies of the Software, and to permit persons to whom the Software is
        furnished to do so, subject to the following conditions:
        
        The above copyright notice and this permission notice shall be included in all
        copies or substantial portions of the Software.
        
        THE SOFTWARE IS PROVIDED "AS IS", WITHOUT WARRANTY OF ANY KIND, EXPRESS OR
        IMPLIED, INCLUDING BUT NOT LIMITED TO THE WARRANTIES OF MERCHANTABILITY,
        FITNESS FOR A PARTICULAR PURPOSE AND NONINFRINGEMENT. IN NO EVENT SHALL THE
        AUTHORS OR COPYRIGHT HOLDERS BE LIABLE FOR ANY CLAIM, DAMAGES OR OTHER
        LIABILITY, WHETHER IN AN ACTION OF CONTRACT, TORT OR OTHERWISE, ARISING FROM,
        OUT OF OR IN CONNECTION WITH THE SOFTWARE OR THE USE OR OTHER DEALINGS IN THE
        SOFTWARE.
License-File: LICENSE
Keywords: Matriz Pseudo-Inversa,Pseudo-Inverse Matrix,Radial Basis Function,Victor Venites,rbf
Classifier: License :: OSI Approved :: MIT License
Classifier: Operating System :: OS Independent
Classifier: Programming Language :: Python :: 3
Classifier: Programming Language :: Python :: 3.10
Classifier: Programming Language :: Python :: 3.11
Requires-Python: >=3.10
Requires-Dist: numpy<2,>=1.24.3
Requires-Dist: pandas>=2.0.2
Description-Content-Type: text/markdown

# Radial Basis Function: Regressão e Classificação facilitados por Matrizes

RBF propõe uma alternativa de cálculo matricial aos seus modelos de Regressão, Séries Temporais, Classificação e Convolução.

## Instalação

Para instalar a biblioteca na sua máquina, pelo prompt ou shell.

```

pip install radial-basis-function

```

Para usar a dependencia no código python.

```

import radial_basis_function

```

## Matriz Pseudo-Inversa

Multiplicação de Matriz Pseudo-Inversa, que é operado como alternativa no lugar da otimização por derivadas parciais. Refere-se a uma abordagem matemática chamada de "fórmula de Moore-Penrose", onde a matriz pseudo-inversa é utilizada para encontrar os coeficientes ótimos da equação de regressão. É uma generalização da matriz inversa para casos em que a matriz não é inversível (ou seja, singular), e a fórmula fornece uma maneira de obter uma solução única mesmo quando a matriz não é invertível.

Para usar a dependencia no código python, foram criados os métodos fit e predict com nome inspirados nos moldes do Sklearn.

```

# Instancia do modelo
modelo_pseudo_inversa = radial_basis_function.PseudoInversa()

# Treinando o modelo
modelo_pseudo_inversa.fit(Matriz_X, y)

# Previsão do modelo
predicao = modelo_pseudo_inversa.predict(Matriz_X)

# Para métrica de previsão utilize uma biblioteca já existente como sklearn.metrics
from sklearn import metrics

# Como:
metrics.mean_absolute_error(Y_Treino, predicao)
metrics.r2_score(Y_Treino, predicao)
metrics.accuracy_score(Y_Treino, predicao)
metrics.balanced_accuracy_score(Y_Treino, predicao)
metrics.f1_score(Y_Treino, predicao)

```

## Radial Basis Function

A estrutura básica de um Radial Basis Function (RBF Network) consiste em três componentes principais: as funções de base radial, os pesos associados a essas funções e uma camada de saída linear solucionada pela matriz pseudo-inversa.

Para usar a dependencia no código python, foram criados os métodos fit e predict com nome inspirados nos moldes do Sklearn.

```

# Instancia do modelo
modelo_rbf = radial_basis_function.RadialBasisFunction()

# Treinando o modelo
modelo_rbf.fit(Matriz_X, y)

# Previsão do modelo
predicao = modelo_rbf.predict(Matriz_X)

# Para métrica de previsão utilize uma biblioteca já existente como sklearn.metrics
from sklearn import metrics

# Como:
metrics.mean_absolute_error(Y_Treino, predicao)
metrics.r2_score(Y_Treino, predicao)
metrics.accuracy_score(Y_Treino, predicao)
metrics.balanced_accuracy_score(Y_Treino, predicao)
metrics.f1_score(Y_Treino, predicao)

```

## Testes

Teste sendo desenvolvido para Jupyter Notebook

by Victor Venites
