An easy-to-use ML framework
Project description
classicML: 简单易用的经典机器学习框架
classicML 是一个用Python和C++混编的机器学习项目,它既实现了Python的简单易用快速上手,又实现了C++的高效性能。classicML的设计目标是简单易用,快速入门,编程风格简洁。
多后端支持
classicML 本身是一个Python项目,但是机器学习中涉及到的复杂的矩阵运算对于Python有点儿捉襟见肘,因此我们提供了使用C++后端的函数的加速版本。为了保证兼容性,classicML默认使用Python后端,部分算法支持了使用C++作为后端进行加速,你需要安装标准版的classicML,然后在开头使用这条语句切换后端。
import os
os.environ['CLASSICML_ENGINE'] = 'CC'
第一个机器学习程序
使用线性判别分析进行二分类
- 下载示例数据集
wget https://github.com/sun1638650145/classicML/blob/master/datasets/西瓜数据集alpha.csv
- 运行下面的代码
import classicML as cml
DATASET_PATH = '/path/to/西瓜数据集alpha.csv'
# 读取数据
ds = cml.data.Dataset()
ds.from_csv(DATASET_PATH)
# 生成模型
model = cml.models.LDA()
# 训练模型
model.fit(ds.x, ds.y)
# 可视化模型
cml.plots.plot_lda(model, ds.x, ds.y, '密度', '含糖率')
v0.6.2 预览
这是一个小版本更新,重点是提高稳定性,修复BUG和编译器警告.
- 通过引入
BaseModel
,用户可以自定义自己的模型 - 增加
cml.backend.cc.callbacks
后端 - 使用C++重写了
cml.backend._utils
, 工具类不推荐直接调用
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-0.6.2b2.tar.gz
(64.5 kB
view hashes)
Built Distributions
Close
Hashes for classicML-0.6.2b2-cp39-cp39-manylinux2010_x86_64.whl
Algorithm | Hash digest | |
---|---|---|
SHA256 | 66ace8a5f65eae2f8f88d698dbcbe774badaff31e25b539266fabd71d15abdf2 |
|
MD5 | 995af5821cb06c2679c59741561f2f19 |
|
BLAKE2b-256 | 5b779692ea9031734d7ff2a2a86237dfdde06556ca31415caa3137d12542fadc |
Close
Hashes for classicML-0.6.2b2-cp39-cp39-macosx_11_0_arm64.whl
Algorithm | Hash digest | |
---|---|---|
SHA256 | da4202f6f9453dd569989073a9ba3c939e7ac4ed93c0324d5ef70a70a25210d8 |
|
MD5 | e9523a4b2923e5e3e351a831827a295b |
|
BLAKE2b-256 | 02af218a5dfe4c6232d0a2ec85877a2980f8c9777cbe309f155af951e61dd9fb |
Close
Hashes for classicML-0.6.2b2-cp39-cp39-macosx_10_14_x86_64.whl
Algorithm | Hash digest | |
---|---|---|
SHA256 | 43a39f88a9ec171072d1258a2ac7e25d0f5f6e063826c8d4208760a13893374f |
|
MD5 | 6cae118e0395cbe6e239d6b34b702777 |
|
BLAKE2b-256 | 2896242a22561dc8767590873150169dd5757ef522b8bbd23680ed15d0ea1d33 |
Close
Hashes for classicML-0.6.2b2-cp38-cp38-manylinux2010_x86_64.whl
Algorithm | Hash digest | |
---|---|---|
SHA256 | 9eea343509971d2759a0673840e4f9b25d212d873ffe62cf7ee75cc9200cb694 |
|
MD5 | f5db94ca2670d0d407de253ddbda1222 |
|
BLAKE2b-256 | 3e7dd6dafd84205adbe1fc3bc5f563c73f8e5b310d1cc2a9bbf8f25bbb4fdf1b |
Close
Hashes for classicML-0.6.2b2-cp38-cp38-macosx_11_0_arm64.whl
Algorithm | Hash digest | |
---|---|---|
SHA256 | 302fcccd1394dbdb4664e34f8388b3a061cede8e352f0eff01e931c276890262 |
|
MD5 | 11503fb6b59f54d530e9d0987a72216f |
|
BLAKE2b-256 | 04acfd656e0226bc7b8396d3af97a84ca925ea0208f0add9205736b9433574da |
Close
Hashes for classicML-0.6.2b2-cp38-cp38-macosx_10_14_x86_64.whl
Algorithm | Hash digest | |
---|---|---|
SHA256 | 9a1c74bfff6e1d84ea904db5b9a256a4a6aabd13b7575d01092ad6ae965dcf6d |
|
MD5 | cc3aa844181fadabcc44aa65b3b72d0f |
|
BLAKE2b-256 | 1c5fb5c2778491270da5084d5f5c87b174a3ddcd1056ef2f6d2668d5097a8342 |
Close
Hashes for classicML-0.6.2b2-cp37-cp37m-manylinux2010_x86_64.whl
Algorithm | Hash digest | |
---|---|---|
SHA256 | 94c0d8557e818bbcc54bcd322c759c284be6e6c300ef4162102006b22ff7442f |
|
MD5 | 6fc956bf96a940f2136e50aa810884d6 |
|
BLAKE2b-256 | d7ef39fb6be30f0c21f6cf98edca628c5ac111af58cba406480e143c7c89a70b |
Close
Hashes for classicML-0.6.2b2-cp37-cp37m-macosx_10_14_x86_64.whl
Algorithm | Hash digest | |
---|---|---|
SHA256 | 4a46974df59dcea8a4f7acca4a66658031cdca36259c24ae901f0f15c39226e8 |
|
MD5 | 2d045254cb52bba07e81c3720318e7ea |
|
BLAKE2b-256 | a57f500d011f0be353d980163ee55b96c688627afef2e578d520661f45c9dff4 |