如果您正在使用pycobra，请考虑引用以下文件：

• Guedj和Srinivasa Desikan（2020），《Python中基于内核的集成学习》。信息(网页)
• Guedj和Srinivasa Desikan（2018），《Pycobra：用于集成学习和可视化的Python工具箱》。机器学习研究杂志(网页)
• Biau、Fischer、Guedj和Malley（2016），《COBRA：综合回归策略》。多元分析杂志(网页)

所有这些参考都包含在文件中pycobra.bib型.

pycobra是一个用于集成学习的python库。它可以作为使用这些集成进行回归和分类的工具包机器，以及新的性能可视化机器和组成机器。这里，当我们说机器时，我们指的是任何预测器或机器学习对象-它可以是LASSO回归变量，或甚至是神经网络。它与科学基础知识相兼容，适合现有的scikit-learn生态系统。

pycobra提供了引入的COBRA算法的python实现由Biau等人（2016）进行回归。

实现的另一个算法是EWA（指数加权聚合）聚合技术（在其他几个引用中，您可以查看Dalalyan和Tsybakov（2007）的论文。

除了这两种回归聚合算法之外，pycobra实现了用于分类的COBRA版本。此程序具有由Mojirsheibani（1999）介绍。

pycobra还提供各种可视化和构建的诊断方法在matplotlib之上，用户可以分析和比较不同的具有COBRA的回归机。可视化类还允许您在其他工具上使用一些工具（如Voronoi Tesselations）可视化问题，例如集群。

pycobra在纸张“Pycobra：用于集成学习和可视化的Python工具箱”，机器学习研究杂志，第18卷（190），1-5。

这个笔记本directory通过示例和基本用法展示了pycobra的用法。这个文档再翻一页介绍如何使用眼镜蛇。

运行pip安装pycobra从PyPI下载并安装。

运行python setup.py安装用于默认安装。

运行python setup.py测试运行所有测试。

运行pip安装。从源安装。

• Python 2.7+、3.4+
• numpy、scipy、scikit-learn、matplotlib、熊猫、海生

• B.Guedj和B.Srinivasa Desikan（2018年）。Pycobra：用于集成学习和可视化的Python工具箱。机器学习研究杂志，第18卷（190），1-5。
• B.Guedj和B.Srinivasa Desikan（2020年）。Python中基于内核的集成学习。信息，第11卷（2）。
• G.Biau、A.Fischer、B.Guedj和J.D.Malley（2016年），COBRA:A组合回归策略，多元分析杂志。
• M.Mojirsheibani（1999），通过离散化组合分类器，美国统计协会杂志。
• A.S.Dalalyan和A.B.Tsybakov（2007）指数聚集权重和尖锐的预言不等式，学习会议理论。