FreeAeon-ML 0.3.4

A comprehensive machine learning toolkit for data analysis, preprocessing, modeling, and evaluation.

FreeAeon-ML

FreeAeon-ML 是一个一站式的 Python 机器学习工具包，封装了常用的机器学习流程模块，包括数据探索分析、数据预处理、特征选择、模型训练（分类、回归、聚类、时间序列）、模型评估和可视化，旨在帮助研究者和工程师高效构建、训练和评估机器学习模型。更多

---

🚀 特性功能

• 📊 数据探索与统计分析：正态性检验、分布拟合、相关性分析等
• 🧹 数据预处理：标准化、异常值处理、Box-Cox 变换、分箱等
• 🔍 特征选择：信息图谱、方差分析、PCA 降维、Granger 因果检验等
• 🧠 模型训练支持：
  • 分类模型：DT, RF, SVM, ANN, GLM, Naive Bayes, GBM, XGBoosting,...
  • 回归模型：RF, ANN, GLM, GBM, XGBoosting,...
  • 聚类模型：GaussianMixture,KMeans,AffinityPropagation,AgglomerativeClustering,Birch,MeanShift,OPTICS,...
  • 时间序列模型：ARIMA分解与预测等
• 📈 模型评估：评估指标自动输出、特征重要性排序、ROC等曲线绘制
• 💾 模型保存与加载
• 🧬 样本均衡与增强：SMOTE平衡采样、经典采样、自动切分等
• 📊 可视化支持：热力图、等高线、桑基图、序列图等
• ⚙️ H2O 引擎集成：支持GPU，支持分布式，支持多客户端并发等

---

🧪 更多

• 项目介绍
• 使用帮助(markdown)
• 使用帮助(html)
• 常见问题

---

📦 安装方式

pip install FreeAeon-ML

✅ 环境依赖

• Python >= 3.8
• Java Runtime Environment (JRE) 8+
• 主要依赖库：
  • numpy, pandas, matplotlib, seaborn
  • scipy, scikit-learn, statsmodels
  • h2o

📌 注意：必须安装 Java 环境！ FreeAeon-ML 使用 H2O 平台进行部分模型训练，需确保系统已安装 Java：

java -version

若未安装，请参考以下方式：

• macOS: brew install java
• Ubuntu: sudo apt install default-jre
• Windows: Oracle Java 下载地址

---

🧪 快速示例

import numpy as np
import pandas as pd
from FreeAeonML.FADataPreprocess import CFADataPreprocess
from FreeAeonML.FASample import CFASample
from FreeAeonML.FAModelClassify import CFAModelClassify
from h2o.estimators import H2ORandomForestEstimator
import h2o

#初始化,如果是WSL,注释掉h2o.init(),使用h2o.connect()
h2o.init(nthreads=-1,verbose=False)
#h2o.connect(ip=ip,port=port)

# 随机生成样本（有5个特征，2个分类，分类标签字段为"y")
df_sample = CFASample.get_random_classification(1000, n_feature=5, n_class=2)
print(df_sample)

# 划分为训练集和测试集（默认80%为训练样本，20%为测试样本)
df_train, df_test = CFASample.split_dataset(df_sample)

# 使用自带的一组模型进行训练
model = CFAModelClassify(models=None)

# 如需要指定的模型进行训练，请按照以下格式指定模型
#model = CFAModelClassify(models={"rf": H2ORandomForestEstimator()})

# 训练模型（df_train为训练样本，其中y字段为标签字段）。
model.train(df_train, y_column="y")

# 使用模型进行预测（df_test为测试样本，其中y字段为标签字段）。
df_pred = model.predict(df_test, y_column="y")
print(df_pred)

# 统计模型的各项性能指标
df_eval = model.evaluate(df_test, y_column="y")
print(df_eval)

---

📚 使用文档

完整使用说明、详细参数介绍及进阶示例请参考：

• 使用帮助(markdown)
• 使用帮助(html)
• 常见问题

---

📁 模块说明

模块名	描述
FADataEDA	探索性数据分析
FADataPreprocess	数据预处理（标准化、异常值检测等）
FAFeatureSelect	特征选择（信息图、PCA、因果性检验等）
FAModelClassify	分类模型训练封装
FAModelRegression	回归模型训练封装
FAModelCluster	聚类模型训练封装
FAModelSeries	时间序列建模（自动ARIMA）
FAEvaluation	模型评估与指标输出
FAVisualize	可视化模块（热图、桑基图、等高线等）
FASample	样本生成与增强

---

🧪 测试脚本示例

测试脚本位于 tests/ 目录，支持以下演示：

• demo_Sample.py：样本生成与增强测试
• demo_DataEDA.py：数据分析演示
• demo_DataPreprocess.py：预处理功能测试
• demo_FeatureSelect.py：特征选择测试
• demo_ModelClassify.py：分类模型演示
• demo_ModelRegression.py：回归模型演示
• demo_ModelCluster.py：聚类模型演示
• demo_ModelSeries.py：时间序列建模演示
• demo_Evaluation.py：模型性能评估
• demo_Visualize.py：图形可视化测试

运行示例：

• demo_Sample.py：样本生成与增强测试

  python tests/demo_Sample.py
  

• demo_DataEDA.py：数据分析演示

  python tests/demo_DataEDA.py
  

• demo_DataPreprocess.py：预处理功能测试

  python tests/demo_DataPreprocess.py
  

• demo_FeatureSelect.py：特征选择测试

  python tests/demo_FeatureSelect.py
  

• demo_ModelClassify.py：分类模型演示

  python tests/demo_ModelClassify.py
  

• demo_ModelRegression.py：回归模型演示

  python tests/demo_ModelRegression.py
  

• demo_ModelCluster.py：聚类模型演示

  python tests/demo_ModelCluster.py
  

• demo_ModelSeries.py：时间序列建模演示

  python tests/demo_ModelSeries.py
  

• demo_Evaluation.py：模型性能评估

  python tests/demo_Evaluation.py
  

• demo_Visualize.py：图形可视化测试

  python tests/demo_Visualize.py
  

---

📄在Window的WSL运行

WSL 下推荐单节点模式（-flatfile /dev/null -nthreads 2），避免网络多节点探测失败

1️⃣ 手工运行h2o服务

java -jar ./site-packages/h2o/backend/bin/h2o.jar -ip 127.0.0.1 -port 54321 -flatfile /dev/null -nthreads 2

(假设h2o.jar文件在目录中./site-packages/h2o/backend/bin/)

2️⃣ 修改demo代码中的连接方式

修改代码，将h2o.init(nthreads=-1,verbose=False) 改成h2o.connect(ip="127.0.0.1",port=54321)

h2o.init(nthreads=-1,verbose=False) --> h2o.connect(ip="127.0.0.1",port=54321)

---

📄 License

FreeAeon-ML is released under the MIT License.
© 2025 FreeAeon Contributors

---

🤝 欢迎贡献

欢迎 PR、Issue 与建议！请确保代码规范、清晰，附带测试。

---

✍️ Author

Jim Xie
📧 E-Mail: [e-mail], [e-mail]
🔗 GitHub: https://github.com/jim-xie-cn/FreeAeon-ML

Yin Jie

📧 E-Mail: [e-mail]

Cindy Ma

📧 E-Mail: [e-mail]

Wenjing Zhang

📧 E-Mail: [e-mail]

Danny Zhang

📧 E-Mail: [e-mail]

---

🧠 Citation

If you use this project in academic work, please cite it as:

Jim Xie, FreeAeon-ML: A comprehensive machine learning toolkit for data analysis, preprocessing, modeling, and evaluation., 2025.
GitHub Repository: https://github.com/jim-xie-cn/FreeAeon-ML