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
- 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
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-0.5rc1.tar.gz
(40.9 kB
view hashes)
Built Distributions
Close
Hashes for classicML-0.5rc1-cp38-cp38-manylinux2010_x86_64.whl
Algorithm | Hash digest | |
---|---|---|
SHA256 | 7b97e5cfc42fe4a419fc8c134c85dcc9cfea3f22ad60a3ff2a52725861506a62 |
|
MD5 | d6ba7820492486864541e607111c9e6b |
|
BLAKE2b-256 | b7168528cd973310e0b4c6ef7e0ff3c4c3699d5083bffe9c5426476088c05e6c |
Close
Hashes for classicML-0.5rc1-cp38-cp38-macosx_10_14_x86_64.whl
Algorithm | Hash digest | |
---|---|---|
SHA256 | 54d1cf8c4649727b6455ab8948d6c0977d5ab6833688d182537d25e029ba8310 |
|
MD5 | a72477e8f778044a5cf72367f5a41621 |
|
BLAKE2b-256 | debc5d55bbed73e7f6aad673f45c58c127475b201d1f33b6fedfc3bada7abe37 |
Close
Hashes for classicML-0.5rc1-cp37-cp37m-manylinux2010_x86_64.whl
Algorithm | Hash digest | |
---|---|---|
SHA256 | 3ff7bb4567e1282585252777fd09f6910b606d00d9e576dea4c8719153a0f421 |
|
MD5 | f0adc563c731a871180091da1065cf94 |
|
BLAKE2b-256 | 9b36d373150350f3267630c8e2a95c2d5309ec85f640ce95d14890bffb5f68f4 |
Close
Hashes for classicML-0.5rc1-cp37-cp37m-macosx_10_14_x86_64.whl
Algorithm | Hash digest | |
---|---|---|
SHA256 | 00e53ec3aff7f5f7f60beb3eaf01d23d6137066c3ab7c5ea707080797b55df7d |
|
MD5 | 5eb913702a50bed88c440a9cafb31483 |
|
BLAKE2b-256 | 07e8ad17e463dc2200a01b0c24595a96e0b955374383dbb2289794908eb6ae80 |
Close
Hashes for classicML-0.5rc1-cp36-cp36m-manylinux2010_x86_64.whl
Algorithm | Hash digest | |
---|---|---|
SHA256 | 559a50abb07296816938aa4f4dfc566d9d4d93f363160b9e0f0cd3d06575c21f |
|
MD5 | 6cb2f39f885fc4e2156a0dd386a50f4d |
|
BLAKE2b-256 | 30bb0c88fc841d95b2f4e7adf6af834925dcf4161f852685c3e2f5fa9ca58b52 |
Close
Hashes for classicML-0.5rc1-cp36-cp36m-macosx_10_14_x86_64.whl
Algorithm | Hash digest | |
---|---|---|
SHA256 | dc5d292241a67d07b86f4e637c4fbe604ce522ff9bd2b3b23535aaaab3a32432 |
|
MD5 | 0a28e0dbf63f57f1e143c25b78a65c0c |
|
BLAKE2b-256 | ec637e63b6cf5dc73b0eaa03573e538296e2acf92eaded509411a2fda3071410 |