An easy-to-use ML framework
Project description
classicML
简单易用的经典机器学习框架,classicML支持数种机器学习算法,是你入门学习机器学习的首选
重要信息⚠️
-
推荐你直接使用pip安装预编译的软件包(stable version)
-
安装Python版本(没有加速)
pip install classicML-python
-
安装CPP版本(只支持macOS和Linux)
pip install classicML
-
-
如果你有了比较高软件开发和编程水平可以从GitHub上下载源码进行编译安装, 请预装
- Eigen 3.3.7(setup.py里的eigen路径需要更改)
- pybind 2.6+
- 并且保证c++的版本最低版本为c++14
git clone https://github.com/sun1638650145/classicML.git cd classicML python3 setup.py install
-
部分算法支持了使用CPP作为后端进行加速,你需要在开头使用这条语句切换后端
import os os.environ['CLASSICML_ENGINE'] = 'CC'
-
0.5版本的API接口略有改动, 修改了部分模块的路径, 结构更为合理.
-
0.5版本添加benchmark模块可以监控内存和时间开销.
目前的已支持的算法
算法名称 | 支持多分类 | 使用CC加速 | 可视化 | 同时处理离散和连续值 |
---|---|---|---|---|
逻辑回归 | ✅ | |||
线性判别分析LDA | ✅ | ✅ | ||
BP神经网络 | ✅ | ✅ | ✅ | |
径向基函数神经网络 | ✅ | |||
支持向量分类器SVC | ✅ | ✅ | ||
分类决策树 | ✅ | ✅ | ✅ | ✅ |
朴素贝叶斯分类器NB | ✅ | ✅ | ||
平均独依赖估计器AODE | ✅ | ✅ | ||
超父独依赖估计器SPODE | ✅ | ✅ |
- 全部神经网络只能可视化损失和评估函数曲线,暂不能可视化结构信息
- 其中BP神经网络需要手动将离散值转换成dummy编码
- 平均独依赖估计器AODE和超父独依赖估计器SPODE的部分后端函数实现了CC加速
Project details
Release history Release notifications | RSS feed
Download files
Download the file for your platform. If you're not sure which to choose, learn more about installing packages.
Source Distribution
classicML-0.5b3.tar.gz
(40.0 kB
view hashes)
Built Distributions
Close
Hashes for classicML-0.5b3-cp37-cp37m-macosx_10_15_x86_64.whl
Algorithm | Hash digest | |
---|---|---|
SHA256 | 9c4a10031c2f39a0209e83aca151e75110e6f30e560eba3c219846b8df4688a2 |
|
MD5 | 59229a612897b17f3c833ea2e1d0113e |
|
BLAKE2b-256 | 8f58494d46ac360711dd23d41f364e08f7e839d606a17af0f9559efe3d3802cc |
Close
Hashes for classicML-0.5b3-cp36-cp36m-manylinux2010_x86_64.whl
Algorithm | Hash digest | |
---|---|---|
SHA256 | 353846285045d033359ab79086a6475323641c57f78e693d530f5e19789d8638 |
|
MD5 | d293a5ff2a1ca8d9846cbbafa0efe487 |
|
BLAKE2b-256 | 249932822229556695fd62a3afbccdfa5e02d7644e8e06481d67ef9053a322bb |