Bonsai-27B-GGUF
lmstudio-community · 工具包
面向 LM Studio 的 27B Bonsai 模型 GGUF 转换版,含 3.80 GB 的 Q1_0 语言文件和 0.93 GB 的 BF16 视觉投影器。已测试文本、视觉和并行工具调用。
在 Gradio 页面里对分类变量做 Cramer's V 检验,带有一份学生成绩 CSV 文件。适合想看两个类别之间关系的学生和分析师。
Cramer_v_test_on_categorical_features 是一款工具包,属于教育类,由 Mindket 上架。可免费获取。当前为第 1 版,最近更新于 。在本页下载,是一个装着它全部文件的 zip 压缩包。这些文件不会自己运行。
pip install -U huggingface_hub hf download Sakil/cramer_v_test_on_categorical_features --repo-type space --local-dir cramer_v_test_on_categorical_features cd cramer_v_test_on_categorical_features
这是 Sakil 做的一个 Gradio 应用,对分类特征做 Cramer's V 检验。Cramer's V 是一个衡量两个类别列关联有多强的统计量。仓库里有一个名为 StudentsPerformance.csv 的文件。你可以在浏览器里使用,也可以在自己的电脑上运行一份副本。
它适合想先不写代码就看两个类别列有什么关系的统计学学生和分析师。
| 行业 | 谁在用 | 怎么用 | 例子 |
|---|---|---|---|
| 教育 | 统计学的学生 | 看 Cramer's V 在真实表格上怎么算 | 打开这个 Space,用示例数据 |
| 研究 | 数据分析师 | 检查两个类别列之间的关联 | 选两列,读分数 |
| 软件 | Python 开发者 | 读这个检验怎样包进 Gradio 页面 | 下载这个 Space,打开 app.py |
如果你需要其他检验或数值数据分析,可以跳过它,因为来源只描述了一种检验。
| 用途 | 谁用 | 得到什么 |
|---|---|---|
| 检验两列 | 分析师 | 这一对列的 Cramer's V 分数 |
| 学习这个统计量 | 学生 | 示例 CSV 文件上的一个完整例子 |
| 研究代码 | 开发者 | 把一种检验包进 Gradio 页面的 app.py |
先准备好下面这些东西。
pip install -U huggingface_hub hf download Sakil/cramer_v_test_on_categorical_features --repo-type space --local-dir cramer_v_test_on_categorical_features cd cramer_v_test_on_categorical_features pip install gradio pip install -r requirements.txt python app.py
在线使用时,用 Space 页面显示的 Gradio 界面。在自己的电脑上,则在项目文件夹里运行主文件,再在浏览器里打开它提供的页面。
python app.py
你在项目文件夹里运行 python app.py,并打开它提供的页面。你从示例数据里选两个类别列,读页面返回的 Cramer's V 分数。
如果你是新手,先从在线版开始。到这个 Space 里,在安装任何东西之前先选两列。分数接近零表示两列几乎没有关联,接近一表示关联很紧。
如果你懂这个领域,要注意 Cramer's V 来自卡方统计量,适合名义数据。来源没有说这个应用是否做了偏差校正,所以请读 app.py 核对。
类别之间关联很强并不说明一个导致另一个,所以读分数时要谨慎。
在 Gradio 页面里对分类变量做 Cramer's V 检验,带有一份学生成绩 CSV 文件。适合想看两个类别之间关系的学生和分析师。
由 Sakil 在 Hugging Face 上制作。这些说明是 Mindket 根据它的 Space 页面和 README 写的,应用自己的文件和许可证在 Hugging Face 上。
它是什么:这是 Sakil 做的一个 Gradio 应用,对分类特征做 Cramer's V 检验。Cramer's V 是一个衡量两个类别列关联有多强的统计量。仓库里有一个名为 StudentsPerformance.csv 的文件。你可以在浏览器里使用,也可以在自己的电脑上运行一份副本。
适合谁:它适合想先不写代码就看两个类别列有什么关系的统计学学生和分析师。
行业 | 谁在用 | 怎么用 | 例子
教育 | 统计学的学生 | 看 Cramer's V 在真实表格上怎么算 | 打开这个 Space,用示例数据
研究 | 数据分析师 | 检查两个类别列之间的关联 | 选两列,读分数
软件 | Python 开发者 | 读这个检验怎样包进 Gradio 页面 | 下载这个 Space,打开 app.py
如果你需要其他检验或数值数据分析,可以跳过它,因为来源只描述了一种检验。
用在哪里:
用途 | 谁用 | 得到什么
检验两列 | 分析师 | 这一对列的 Cramer's V 分数
学习这个统计量 | 学生 | 示例 CSV 文件上的一个完整例子
研究代码 | 开发者 | 把一种检验包进 Gradio 页面的 app.py
如何设置:先准备好下面这些东西。
pip install -U huggingface_hub
hf download Sakil/cramer_v_test_on_categorical_features --repo-type space --local-dir cramer_v_test_on_categorical_features
cd cramer_v_test_on_categorical_features
pip install gradio
pip install -r requirements.txt
python app.py
如何使用:在线使用时,用 Space 页面显示的 Gradio 界面。在自己的电脑上,则在项目文件夹里运行主文件,再在浏览器里打开它提供的页面。
python app.py
示例:你在项目文件夹里运行 python app.py,并打开它提供的页面。你从示例数据里选两个类别列,读页面返回的 Cramer's V 分数。
新手与专家:如果你是新手,先从在线版开始。到这个 Space 里,在安装任何东西之前先选两列。分数接近零表示两列几乎没有关联,接近一表示关联很紧。
如果你懂这个领域,要注意 Cramer's V 来自卡方统计量,适合名义数据。来源没有说这个应用是否做了偏差校正,所以请读 app.py 核对。
打开 Space 或运行 app.py
Gradio 页面加载
你选择两列
应用计算 Cramer's V
分数显示在页面上
注意事项:类别之间关联很强并不说明一个导致另一个,所以读分数时要谨慎。
在浏览器里打开这个 Space,或在它的页面上把它复制到你自己的 Hugging Face 账号。这个工具包里没有会自己运行的东西。
README.md 4 KB
同一分类里与本产品共有标签最多的已上架 Hugging Face Space。
| 产品 | 点赞 | 构建方式 | 许可证 | 最近更新 |
|---|---|---|---|---|
| Cramer_v_test_on_categorical_features 本页 | 0 | gradio | apache-2.0 | |
| Unit 1 Quiz - AI Agent Fundementals共有 gradio | 360 | gradio | apache-2.0 | |
| Unit 2.1 smolagents Code Quiz共有 gradio | 63 | gradio | apache-2.0 | |
| Unit 1 Quiz - Model Context Protocol (MCP) Fundementals共有 gradio | 58 | gradio | apache-2.0 | |
| Tamazight Text-to-Speech共有 gradio | 41 | gradio | cc-by-4.0 | |
| Embedding Draw Challenge共有 gradio | 30 | gradio | apache-2.0 |
lmstudio-community · 工具包
面向 LM Studio 的 27B Bonsai 模型 GGUF 转换版,含 3.80 GB 的 Q1_0 语言文件和 0.93 GB 的 BF16 视觉投影器。已测试文本、视觉和并行工具调用。
LibertAIDAI · 工具包
以每权重 2.9 位的 EXL3 量化运行 DeepSeek-V4.1-Flash-1017,这是一份 196 GiB 的副本,适合在自己硬件上部署大模型的人。困惑度与原模型相差不大。
facebook · 工具包
根据文字描述或音频提示生成短音乐片段,是 facebook MusicGen 的 small 检查点。适合想在自己电脑上试用文字生成音乐的开发者和音乐爱好者。
prathoshap · 工具包
用一个训练好的声音,以吟诵风格朗读古典梵语诗节,由参考音频决定节奏。适合学习、背诵或需要梵语音频的人。
paradigma-inc · 工具包
用一个从头训练的 1B 参数模型解决难度很高的数学题,追求高速、大批量的推理。适合在 NVIDIA GPU 上运行数学任务的开发者。
murai-labs · 工具包
能用泰米尔文、罗马化泰米尔语和英语聊天,也能在泰米尔语和英语之间翻译。这是 Murai Labs 从零训练的 2.5B 模型,适合泰米尔语使用者、研究人员和开发者。