classicML 0.6b1

An easy-to-use ML framework

classicML: 简单易用的经典机器学习框架

classicML 是一个用Python和CPP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CPP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CPP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CPP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 pandas as pd
import classicML as cml

DATASET_PATH = '/path/to/西瓜数据集alpha.csv'

# 读取数据
dataframe = pd.read_csv(DATASET_PATH, index_col=0, header=0)
x = dataframe.iloc[:, :2].values
y = dataframe.iloc[:, 2].values
y[y == '是'] = 1
y[y == '否'] = 0
# 生成模型
model = cml.models.LDA()
# 训练模型
model.fit(x, y)
# 可视化模型
cml.plots.plot_lda(model, x, y, '密度', '含糖率')

• 更多示例代码点击

目前的已支持的算法

classicML 目前支持数种机器学习算法，但是每种算法实现的情况有所不同和差异。

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	保存和加载权重
逻辑回归		✅	✅		✅
线性判别分析		✅	✅		✅
BP神经网络	✅	✅	✅	✅	✅
径向基函数神经网络		✅	✅		✅
支持向量分类器		✅	✅		✅
分类决策树	✅	✅	✅	✅	✅
朴素贝叶斯分类器		✅	✅	✅	✅
平均独依赖估计器		✅		✅	✅
超父独依赖估计器		✅	✅	✅	✅

1. 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
2. BP神经网络需要手动将离散值转换成dummy编码

classicML 0.6 预览

这个发行版将以性能优化和原生支持Apple Silicon为更新目标

1. 原生支持(native support) Apple M1
2. 增加大量CC后端函数，将主要的操作全部用CC重写，大幅提高性能
3. 修复BUG，提高稳定性