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,您既可以使用纯 Python 版本进行学习,也可以使用CC标准版进行实验和探索自定义功能。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,高扩展性和编程风格简洁。更多信息请访问文档网站。
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++后端的加速版本。为了保证兼容性,classicML默认使用Python后端,现在全部算法支持了使用C++作为后端进行加速,如果您需要使用标准版的classicML,只需在开头使用这条语句切换后端。
import os
os.environ['CLASSICML_ENGINE'] = 'CC'
精度控制
目前,classicML 正在对全部算法支持32位和64位切换精度,使用32位的精度可以获得更快的运行速度和更小固化模型。
import os
os.environ['CLASSICML_PRECISION'] = '32-bit'
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')
v0.7 预览
在之前的版本classicML
全局精度是float64
的,现在我们引入CLASSICML_PRECISION
,这样你就可以控制全局精度,使用32位的精度时,可以获得更快的运行速度和更小固化模型。
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-0.7.1.dev1.tar.gz
(76.8 kB
view hashes)
Built Distributions
Close
Hashes for classicML-0.7.1.dev1-cp39-cp39-win_amd64.whl
Algorithm | Hash digest | |
---|---|---|
SHA256 | 8281e52d664af63f44db18c2e81db60251187c458e20548c15fabe7701a90a39 |
|
MD5 | 46bf1fc79b1e7abe83c2bb0d23d621ab |
|
BLAKE2b-256 | 920dc30382b0b378eab419f2a44ffe9fb96b95713c41baf190cb24fbcbda7596 |
Close
Hashes for classicML-0.7.1.dev1-cp39-cp39-manylinux2010_x86_64.whl
Algorithm | Hash digest | |
---|---|---|
SHA256 | 0aabaf6981dd274cdf733e8c1326b606ece7d809fd6b4a02a3b53ecfe79d04ae |
|
MD5 | 7107173029cbad03941bb9a795673089 |
|
BLAKE2b-256 | e2dc74bda4fbef1a3ef754e29d1f4d484fcbe90607efb35b11ee64d48458b799 |
Close
Hashes for classicML-0.7.1.dev1-cp39-cp39-macosx_10_14_x86_64.whl
Algorithm | Hash digest | |
---|---|---|
SHA256 | 4b02d31f5ed2b09a2d4838850a2bbface44a78922ae12a6f038984feca4c6afd |
|
MD5 | f1cbe3e99cc54854488ab30a826d68af |
|
BLAKE2b-256 | 2eafd1d23021573916b43389d7a0b5706ff4085d6b649cc9f56f425e2d56f0a0 |
Close
Hashes for classicML-0.7.1.dev1-cp38-cp38-win_amd64.whl
Algorithm | Hash digest | |
---|---|---|
SHA256 | 7c65b52d75d32d82e9a0bb41e0ab8265a83e7fbb18b94952dfd1d0b7c7f94f04 |
|
MD5 | b39317b04526fb8775c1e8ed1707188a |
|
BLAKE2b-256 | 3620294daeaa046016b1d5aeab49869550a2b950eae6df39026f401c88e38d9f |
Close
Hashes for classicML-0.7.1.dev1-cp38-cp38-manylinux2010_x86_64.whl
Algorithm | Hash digest | |
---|---|---|
SHA256 | ddfece62ea0490d0b3f9c80b157fde3e83594d6f02f4de0bfb01a6736d591be4 |
|
MD5 | 29107016be24586734492dc073de2a23 |
|
BLAKE2b-256 | 0b15fbd7f6135f6f20e0a71ff40355c67058b7f8b54e45772bd9a1ecdf147b15 |
Close
Hashes for classicML-0.7.1.dev1-cp38-cp38-macosx_10_14_x86_64.whl
Algorithm | Hash digest | |
---|---|---|
SHA256 | 1ff44f07ce011f8d3ad67848fe5ffc643785897948275dd11feed52b0fb93946 |
|
MD5 | 0fbb99c4e4b032a3a8d42da19476d636 |
|
BLAKE2b-256 | f4580d6076d18e73745ede97e265a0d536e250d079f6e9fe78170f950f82f152 |
Close
Hashes for classicML-0.7.1.dev1-cp37-cp37m-win_amd64.whl
Algorithm | Hash digest | |
---|---|---|
SHA256 | 40841a23ed8e68f4b30439e4f3eb6b814587f642b63d13da7cf839c33e8545a7 |
|
MD5 | 97950d8033411dbf98bffb42839a24f6 |
|
BLAKE2b-256 | 20320060c213b3a5287956b68d0faa147df96f008196dad6674f01a905d7cb40 |
Close
Hashes for classicML-0.7.1.dev1-cp37-cp37m-manylinux2010_x86_64.whl
Algorithm | Hash digest | |
---|---|---|
SHA256 | ee72a28e995a0fd711ba6f6c59a34693e4395515b145dee776d6009bb66ca04e |
|
MD5 | 549895069c81f08bfafd5f6a34899128 |
|
BLAKE2b-256 | 29eab148c6ac1a8f18241dfbb863e18ebdbe5f969a99cf53daaf2d2b1b89ed58 |
Close
Hashes for classicML-0.7.1.dev1-cp37-cp37m-macosx_10_14_x86_64.whl
Algorithm | Hash digest | |
---|---|---|
SHA256 | 44aee2e1789545e4584f9c7ebd64dc77a0e7069e89eb5bc06c103a98c198683b |
|
MD5 | 68cd988c764bd2059966a10217b937ca |
|
BLAKE2b-256 | 3232def939ffd16888b6e7733bdb0fdd8044e8ab5e15e1d247c5054f3c193b81 |