def get_parser():
parser = ArgumentParser()
data.add_transformer_parser_arguments(parser)
parser.add_argument('dataset', type=str)
parser.add_argument('--features', type=str, nargs='*', default=None)
parser.add_argument('--verbose', action='store_true')
parser.add_argument('--n-jobs', type=int, default=1)
return parser
def get_parser():
parser = ArgumentParser()
data.add_transformer_parser_arguments(parser)
decision.add_decision_maker_parser_arguments(parser)
parser.add_argument('action',
choices=[
'model', 'features', 'hmm-hyperparameters',
'hmm-initialization', 'fhmm', 'pca', 'end-to-end'
])
# action = features
parser.add_argument(
'--measure',
choices=['aicc', 'hmm-distance', 'wasserstein', 'mahalanobis'],
default='aicc')
# Dataset options
parser.add_argument('dataset', type=str)
parser.add_argument('--features', type=str, nargs='*', default=None)
parser.add_argument('--permutation', type=str, default=None)
parser.add_argument('--disable-shuffle', action='store_true')
parser.add_argument('--transform-to-multiclass', action='store_true')
# Model option
parser.add_argument('--model',
choices=['hmm', 'fhmm-seq', 'fhmm-exact'],
default='hmm')
parser.add_argument('--topology',
choices=[
'left-to-right-full', 'left-to-right-1',
'left-to-right-2', 'full'
],
default='left-to-right-1')
parser.add_argument('--loglikelihood-method',
choices=['exact', 'approx'],
default='exact')
parser.add_argument('--n-chains', type=int, default=2)
parser.add_argument('--n-states', type=int, default=10)
parser.add_argument('--n-training-iter', type=int, default=10)
parser.add_argument('--covar-type',
choices=['full', 'diag'],
default='diag')
parser.add_argument('--transition-init',
choices=['random', 'uniform'],
default='uniform')
parser.add_argument('--emission-init',
choices=['random', 'k-means'],
default='k-means')
# Evaluation options
parser.add_argument('--n-iter', type=int, default=3)
parser.add_argument('--n-jobs', type=int, default=1)
parser.add_argument('--output-dir', type=str)
parser.add_argument('--verbose', action='store_true')
return parser
def get_parser():
# TODO: this should really use subparsers
parser = ArgumentParser()
data.add_dataset_parser_arguments(parser)
data.add_transformer_parser_arguments(parser)
parser.add_argument('action', choices=['report', 'export', 'export-all', 'check', 'plot'], help='type of action')
parser.add_argument('--format', choices=['pickle', 'matlab', 'matlab-stacked'], default='pickle')
parser.add_argument('--output')
parser.add_argument('--only-errors', action='store_true')
parser.add_argument('--plot-labels', nargs='*', default=None)
parser.add_argument('--verbose', action='store_true')
return parser
def get_parser():
parser = ArgumentParser()
decision.add_decision_maker_parser_arguments(parser)
data.add_transformer_parser_arguments(parser)
# Dataset options
parser.add_argument("classifier", choices=["log-regression", "svm", "decision-tree", "random-forest"])
parser.add_argument("dataset", type=str)
# Evaluation options
parser.add_argument("--output", type=str)
parser.add_argument("--verbose", action="store_true")
parser.add_argument("--n-jobs", type=int, default=1)
parser.add_argument("--measure", choices=["f1", "accuracy"], default="f1")
return parser
def get_parser():
# TODO: this should really use subparsers
parser = ArgumentParser()
data.add_dataset_parser_arguments(parser)
data.add_transformer_parser_arguments(parser)
parser.add_argument(
'action',
choices=['report', 'export', 'export-all', 'check', 'plot'],
help='type of action')
parser.add_argument('--format',
choices=['pickle', 'matlab', 'matlab-stacked'],
default='pickle')
parser.add_argument('--output')
parser.add_argument('--only-errors', action='store_true')
parser.add_argument('--plot-labels', nargs='*', default=None)
parser.add_argument('--verbose', action='store_true')
return parser
def get_parser():
parser = ArgumentParser()
decision.add_decision_maker_parser_arguments(parser)
data.add_transformer_parser_arguments(parser)
# Dataset options
parser.add_argument(
'classifier',
choices=['log-regression', 'svm', 'decision-tree', 'random-forest'])
parser.add_argument('dataset', type=str)
# Evaluation options
parser.add_argument('--output', type=str)
parser.add_argument('--verbose', action='store_true')
parser.add_argument('--n-jobs', type=int, default=1)
parser.add_argument('--measure', choices=['f1', 'accuracy'], default='f1')
return parser
def get_parser():
parser = ArgumentParser()
data.add_transformer_parser_arguments(parser)
decision.add_decision_maker_parser_arguments(parser)
parser.add_argument('action', choices=['model', 'features', 'hmm-hyperparameters', 'hmm-initialization', 'fhmm',
'pca', 'end-to-end'])
# action = features
parser.add_argument('--measure', choices=['aicc', 'hmm-distance', 'wasserstein', 'mahalanobis'], default='aicc')
# Dataset options
parser.add_argument('dataset', type=str)
parser.add_argument('--features', type=str, nargs='*', default=None)
parser.add_argument('--permutation', type=str, default=None)
parser.add_argument('--disable-shuffle', action='store_true')
parser.add_argument('--transform-to-multiclass', action='store_true')
# Model option
parser.add_argument('--model', choices=['hmm', 'fhmm-seq', 'fhmm-exact'], default='hmm')
parser.add_argument('--topology', choices=['left-to-right-full', 'left-to-right-1', 'left-to-right-2', 'full'],
default='left-to-right-1')
parser.add_argument('--loglikelihood-method', choices=['exact', 'approx'], default='exact')
parser.add_argument('--n-chains', type=int, default=2)
parser.add_argument('--n-states', type=int, default=10)
parser.add_argument('--n-training-iter', type=int, default=10)
parser.add_argument('--covar-type', choices=['full', 'diag'], default='diag')
parser.add_argument('--transition-init', choices=['random', 'uniform'], default='uniform')
parser.add_argument('--emission-init', choices=['random', 'k-means'], default='k-means')
# Evaluation options
parser.add_argument('--n-iter', type=int, default=3)
parser.add_argument('--n-jobs', type=int, default=1)
parser.add_argument('--output-dir', type=str)
parser.add_argument('--verbose', action='store_true')
return parser
